​最近一段时间，由 OpenAI 开发的 AI 聊天机器人程序 ChatGPT 横扫各大 AI 社区，大家对它的热情只增不减，不断挖掘其潜力。

(资料图)

有些研究者坐不住了，开始琢磨怎样才能开发个等同于 ChatGPT 的开源软件。还没有行动的小伙伴这次参考示例来了，下面我们将要介绍的这个项目（PaLM + RLHF）就实现了这样的功能。

项目地址：https://github.com/lucidrains/PaLM-rlhf-pytorch

该项目是在 PaLM 架构之上实施 RLHF（人类反馈强化学习）。基本上等同于 ChatGPT，区别是使用了 PaLM。PaLM 是在谷歌的通用 AI 架构「Pathways」上训练而成的具有 5400 亿参数的大型语言模型。而 RLHF，是 ChatGPT 在 GPT 3.5 系列模型的基础上，引入「人工标注数据 + 强化学习」（RLHF）来不断微调预训练语言模型，旨在让大型语言模型（LLM）学会理解人类的命令，并学会根据给定的 prompt 给出最优的答案。

想要了解 RLHF 更多内容，可以参考：https://huggingface.co/blog/rlhf

正如网友所说的：「在 AI 领域中，每有一次专项突破，开发者们很快就会复现出一个开源版本。」

不过该项目目前只包含训练架构和代码，没有预先训练好的权重。在使用说明上，文档也显示必须先要训练 PaLM。

对此也有网友表示担心，表示：这不是一个开箱即用的项目，还只是一个架构，就像 shell 一样，需要昂贵的开销才能训练完成，没有机构能够像谷歌那样训练 PaLM。

还有网友表示：「没有预训练权重是非常糟糕的，官方至少需要释放 50% 的稀疏权重，剩下的让开发者自己训练，才是最好的选择。」

不过也有网友表示自己会去尝试：

下面我们来看看这个项目是如何运行的。

$ pip install palm-rlhf-pytorch

首先训练 PaLM，就像任何其他自回归 transformer 一样。

import torchfrom palm_rlhf_pytorch import PaLMpalm = PaLM(    num_tokens = 20000,    dim = 512,    depth = 12).cuda()seq = torch.randint(0, 20000, (1, 2048)).cuda()loss = palm(seq, return_loss = True)loss.backward()# after much training, you can now generate sequencesgenerated = palm.generate(2048) # (1, 2048)

接着使用精选的人类反馈来训练奖励模型。在原始论文中，在没有出现过拟合的情况下，无法从预训练 transformer 中获得微调的奖励模型。项目作者则提供了使用 LoRA 进行微调的选项。

import torchfrom palm_rlhf_pytorch import PaLM, RewardModelpalm = PaLM(    num_tokens = 20000,    dim = 512,    depth = 12,    causal = False)reward_model = RewardModel(    palm,    num_binned_output = 5 # say rating from 1 to 5).cuda()# mock dataseq = torch.randint(0, 20000, (1, 1024)).cuda()prompt_mask = torch.zeros(1, 1024).bool().cuda() # which part of the sequence is prompt, which part is responselabels = torch.randint(0, 5, (1,)).cuda()# trainloss = reward_model(seq, prompt_mask = prompt_mask, labels = labels)loss.backward()# after much trainingreward = reward_model(seq, prompt_mask = prompt_mask)

最后将 transformer 和奖励模型传递给 RLHFTrainer。

import torchfrom palm_rlhf_pytorch import PaLM, RewardModel, RLHFTrainer# load your pretrained palmpalm = PaLM(    num_tokens = 20000,    dim = 512,    depth = 12).cuda()palm.load("./path/to/pretrained/palm.pt")# load your pretrained reward modelreward_model = RewardModel(    palm,    num_binned_output = 5).cuda()reward_model.load("./path/to/pretrained/reward_model.pt")# ready your list of prompts for reinforcement learningprompts = torch.randint(0, 256, (50000, 512)).cuda() # 50k prompts# pass it all to the trainer and traintrainer = RLHFTrainer(    palm = palm,    reward_model = reward_model,    prompt_token_ids = prompts)trainer.train(num_episodes = 50000)# then, if it succeeded...# generate say 10 samples and use the reward model to return the best oneanswer = trainer.generate(2048, prompt = prompts[0], num_samples = 10) # (<= 2048,)

关键词： 语言模型 强化学习 我们来看看 使用说明 进行微调