位置: IT常识 - 正文

【跟李牧学AI】 ChatGPT是什么?--先看看InstructGPT(李牧其人)

编辑:rootadmin
【跟李牧学AI】 ChatGPT是什么?--先看看InstructGPT

推荐整理分享【跟李牧学AI】 ChatGPT是什么?--先看看InstructGPT(李牧其人),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:李牧其人,诗人 李牧,李牧的视频,李牧的视频,李牧的视频,李牧自学,李牧的故事告诉了我们什么,李牧的故事告诉了我们什么,内容如对您有帮助,希望把文章链接给更多的朋友!

最近OpenAI公司的ChatGPT非常火爆,虽然正式的论文还没有发布,但是按照OpenAI一贯的工作思路,基于前期工作进行相应的改造,我们可以跟着沐神一起来看看InstructGPT,也算法对了解ChatGPT有个前期的知识储备。

instructGPT论文地址:

Training language models to follow instructions with human feedback

沐神视频链接:InstructGPT 论文精读【论文精读·48】

目录

摘要

介绍

数据集

模型

1)SFT

2)RM

RM损失函数

3)Reinforcement learning(RL)

RL损失函数


摘要

大型的语言模型效果虽然很好,但是会产生很多对用户不真实的,带有种族歧视的,甚至是有害的言论。而InstructGPT则是基于GPT3,在人工反馈的数据上训练了一版有监督的模型。效果是:1.3B 参数的 InstructGPT优于175B 参数的GPT-3,可以证明,通过人工反馈进行fine-tune是个有前景的方向。

介绍

instructGPT是如何工作的呢?

step1:

挑一些prompt,让标注者写答案,基于这部分数据使用GPT-3进行fine-tune,得到模型SFT(supervised fine-tune)

step2:

第一步可以得到一个还不错的模型,但是成本高,也无法穷尽所有答案,所以第二步则是由SFT模型对问题采样出几个答案(GPT-3得到词的概率,再通过beam search采样出4个答案),再由人工判断这几个答案的优劣,然后训练出一个奖励模型RM(reward model)

step3:

使用强化学习的框架优化得到输出的策略:使用RM模型计算reward,并用PPO(后面会讲)来更新策略。

数据集

 那么prompt是如何生成的呢?

1/Plain 让标注人员自己想---确保问题的多样性

2/Few-shot 让标注人员写指令,以及指令的答案。比如找出这段代码的错误。

3/User-based 标注人员根据用户让OpenAI回答的问题构建一部分prompt

用户问题分布:

基于这些数据,划分成了3个数据集:

1/ SFT,标注人员直接写答案,13k样本,API+人工标注

2/ RM,标注人员打分,33k样本,API+人工标注

【跟李牧学AI】 ChatGPT是什么?--先看看InstructGPT(李牧其人)

3/PPO,31k样本,只有API的结果

然后开放在OpenAI的playground中,让用户使用,再根据用户ID收集一部分的问题(一个用户最多200个)。用户可能会针对一个问题,用不同的句子提问,所以根据用户ID划分不同的数据集,避免一个用户的问题同时出现在多个数据集中,污染结果。

这样就可以持续对模型进行迭代。

模型

InstructGPT中一共用到了3个模型

1)SFT

SET的训练比较简单,就是标注数据fine-tune,13k样本较少,结果会过拟合,但这个模型只是为了初始化后面的模型,后续发现过拟合反而对后续的训练反而是有帮助的。

2)RM

的话,输入是prompt和回答,输出是一个reward。用前面的SFT的模型,去除掉最后的softmax层,转而使用一个线性投影层得到一个输出为1的标量,这个标量就可以视作是RM中的reward。

RM损失函数

是一个比较常见的pair-wise ranking loss。

 这里的K取的是9,每个prompt产出9个回答,9个回答两两匹配中生成36个pair对,在损失函数中,第一项的分母中除以pair对数,为了就是平衡掉不同K值带来的影响。

注意:OpenAI之前的工作中用的K=4,这里用的是K=9,好处有:

标注资源增长较少

        对于同一个问题,标注9个答案仅仅比4个多出了一些时间,因为节约了读题和理解题目的时间(我不是很认可啊,排序我觉得还挺麻烦的)

6倍的训练数据

        9个答案能产生36个pair对,而4个答案却只能产生6个pair对,训练数据量增加了6倍。

节约时间

      最费时间的是的计算,9个回答只需要计算9次,但是能产出36个标量,相当于节省了4倍的时间。

相当于是标注资源增加不多的情况下,训练数据量变多,同时时间没有增加很多。

同时,前作是4个里面选最好的一个,会有过拟合的情况,这里改为全排序的话,帮助缓解过拟合。

3)Reinforcement learning(RL)

在强化学习的框架内,随着模型的更新,每次采样到的y是不一样的,相当于是强化学习的环境变了,那相应的,获得的奖励也变了。

RL损失函数

就是强化学习学到的结果

就是SFT学习到的结果

第一项:对于每个prompt,丢进RL模型中产生一个y,使用第二步的RM模型来计算,这里的RM模型是模拟人类,对每个y给出一个实时反馈。

第二项:而RM训练时产生的y是来自于,为了减小更新模型导致的数据分布不一致,所以第二项中使用了KL散度,使得模型学出来的结果和SFT的不要相差太多

最后一项:GPT-3原始的目标函数,使得整个模型能生成更有效回答的情况下,其他任务的性能不要下降太多。

前2项就是ppo模型,加上最后一项就是ppo-ptx模型。

沐神给了些其他建议:

1.大模型模型不稳定的话,使用小模型

2.与其使用不稳定的RL,不如在数据集上多下点功夫,多找人标注些数据集,效果也未必不好。

(ps:论文中间还提到了如何挑选标注人员,这个真的蛮重要的,低质的标注人员真的非常拖累整个项目进程。。。这个还有专门的论文讲这个事情,感兴趣的可以自己搜搜看)

本文链接地址:https://www.jiuchutong.com/zhishi/298514.html 转载请保留说明!

上一篇:idea如何导入jar包(idea如何导入sql文件)

下一篇:Meta最新模型LLaMA细节与代码详解(meta最新模型)

  • 抖音分享列表怎么关闭(抖音分享列表怎么恢复被移走的好友)

    抖音分享列表怎么关闭(抖音分享列表怎么恢复被移走的好友)

  • 华为手机视频为什么没有提示音(华为手机视频为什么是横屏)

    华为手机视频为什么没有提示音(华为手机视频为什么是横屏)

  • 苹果11pro max防水级别(苹果11promax防水吗?掉水里了怎么办)

    苹果11pro max防水级别(苹果11promax防水吗?掉水里了怎么办)

  • word怎么画直线(word怎么画直线快捷键)

    word怎么画直线(word怎么画直线快捷键)

  • 手机关不了机屏幕失灵怎么办(手机关不了机屏幕显示字母怎么回事)

    手机关不了机屏幕失灵怎么办(手机关不了机屏幕显示字母怎么回事)

  • 抖音昵称认证改不了吗(抖音昵称认证改不过怎么办)

    抖音昵称认证改不了吗(抖音昵称认证改不过怎么办)

  • 微信点不进去聊天界面怎么办(微信聊天点不进去)

    微信点不进去聊天界面怎么办(微信聊天点不进去)

  • 小米8ud是探索版吗(小米8ud是探索版么)

    小米8ud是探索版吗(小米8ud是探索版么)

  • 小米note4上市时间(小米note4最新)

    小米note4上市时间(小米note4最新)

  • 怎么传输数据到新的手机上(怎么传输数据到已经激活的苹果手机)

    怎么传输数据到新的手机上(怎么传输数据到已经激活的苹果手机)

  • 手机充电时有声音怎么回事(手机充电时有声音怎么办)

    手机充电时有声音怎么回事(手机充电时有声音怎么办)

  • 为什么要使用域名系统(为什么要使用域名,域)

    为什么要使用域名系统(为什么要使用域名,域)

  • 任务管理器的功能(任务管理器功能的描述)

    任务管理器的功能(任务管理器功能的描述)

  • 华为手机可以用电信卡吗(华为手机可以用airpods吗)

    华为手机可以用电信卡吗(华为手机可以用airpods吗)

  • 天猫方糖不插电能用吗(天猫方糖突然不能联网怎么弄)

    天猫方糖不插电能用吗(天猫方糖突然不能联网怎么弄)

  • 戴尔触摸屏怎么关闭(戴尔触摸屏怎么锁定)

    戴尔触摸屏怎么关闭(戴尔触摸屏怎么锁定)

  • 赞颂祖国的现代诗(赞颂祖国的现代诗100)

    赞颂祖国的现代诗(赞颂祖国的现代诗100)

  • 小米nfc怎么关闭(iphone如何设置nfc)

    小米nfc怎么关闭(iphone如何设置nfc)

  • linux最早是由计算机爱好者谁开发的(linux最早是由计算机爱好者( )开发的英语)

    linux最早是由计算机爱好者谁开发的(linux最早是由计算机爱好者( )开发的英语)

  • 显示器响应时间(显示器响应时间开不开)

    显示器响应时间(显示器响应时间开不开)

  • 文件类型可以通过什么来识别详情(文件的类型可以通过什么来区分)

    文件类型可以通过什么来识别详情(文件的类型可以通过什么来区分)

  • Uncaught SyntaxError: Unexpected token '<' (at  报错

    Uncaught SyntaxError: Unexpected token '<' (at 报错

  • 使用URLOS快速创建Discuz论坛的方法(urljoin使用)

    使用URLOS快速创建Discuz论坛的方法(urljoin使用)

  • 税控盘是干什么用的
  • 跨区域开票流程怎么走
  • 核定征收三种方式
  • 如何写财务制度
  • 小规模纳税人固定资产可以一次扣除吗
  • 金税四期上线了吗什么时候上线
  • 装修行业开票税率
  • 人工费怎么入账
  • 退回以前年度的增值税账务处理
  • 豆粕是农产品初加工,企业所得税免税
  • 暂存款属于什么费用
  • 海关证需要年检吗
  • 人力资源外包公司排名
  • 出口退税进项抵扣了不退税可以吗
  • 自产自销流程图
  • 收并购股权溢价
  • 建筑行业印花税税率
  • 列入工资的补贴是什么
  • 为什么贷款利息变高了
  • win1020h2更新0x800f081f
  • linux常用命令详解
  • 苹果充电宝怎么验真假
  • 差旅费津贴个人所得税题目
  • php foreach()
  • 股份支付费用是股权激励成本吗?
  • 逾期增值税扣税凭证
  • vue-admin-master
  • 本季度企业所得税
  • 行政事业单位资产负债表
  • ros urdf
  • 一般纳税人销售旧货适用征收率是?
  • win11升级正式版
  • yii2带搜索功能的下拉框实例详解
  • php图文教程
  • 脱不下孔乙己的长衫对应下一句
  • cvg模型
  • vue引入网络js
  • nginx安装配置视频
  • php curl_setopt
  • urljoin使用
  • 记账凭证错了
  • mongodb管理工具
  • 织梦艺嫣跳舞
  • 企业股权投资收益交增值税吗
  • 不抵扣勾选是什么
  • 出差的招待费应由谁承担
  • 开出咨询费发票应该注册什么企业?
  • 个贷系统平账专户怎么做账
  • 进货时的运费计入什么
  • 工程施工怎么做账
  • 从公司账户转给他人私户1万元以内需要扣多钱的税
  • 股权过户费用
  • 一般性企业
  • 多收钱退回去咋说
  • 装修公司做账涉及科目
  • 案例解析企业所需资金
  • 阿里云centos7安装图形界面
  • centos中rpm包怎么安装
  • centos7怎么安装图形化界面
  • freebsd使用wifi
  • ecap.exe是什么
  • 360杀毒恢复区
  • 电脑怎么调win7系统
  • ulimit命令详解
  • Linux系统怎么设置窗口关闭按键在右侧
  • win10桌面图标排列设置
  • pebble框架
  • opencli
  • nodejs连接达梦数据库
  • AndroidAnnotations 自定义控件 ant编译 找不到类
  • rsync include-from
  • node.js实战
  • python写汉字代码
  • SublimeText自带格式化代码功能之reindent
  • javascript基础编程
  • 老司机指的是
  • 广西税务局123
  • 江西省税务总局官网
  • 免税企业可以收增值税专票吗
  • 安徽省国家税务局网
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设