原文：RLHF几大常用框架实践对比（trlx、deepspeedchat、colossalaichat） - 知乎
目录
收起
一、RLHF的作用
二、实践效果
三、怎么做
1、框架
2、算法
3、数据
4、调参
从InstructGPT的论文中看，RLHF目的就是为了让模型输出的结果能和人类对齐。而所谓对齐，体现在三点：
RLHF在这篇论文中，我们都知道分为三个步骤，包括SFT（微调模型）、RM（训练回报模型或者叫偏好模型）、RL（强化学习）。那么只靠SFT能做到对齐这件事吗？应该可以做到一部分，现在网上大多数流行的开源模型基本上也止步到SFT这个步骤。其实SFT其实也展现出了很不错的性能，但是从实践上看，例如moss要做到和人类比较好的对齐，光微调的数据就达到100w的级别，这个级别的高质量数据收集起来代价还是比较高的，而后面RL的步骤，从实践结果来看，它能够用少量的数据让模型在对齐上的效果和泛化性达到一个新的高度。
从这个文章Awesome 论文合集 ｜不看这些论文，你都不知道 RLHF 是如此的神奇 （4） - OpenDILab浦策的文章 - 知乎?Awesome 论文合集 ｜不看这些论文，你都不知道 RLHF 是如此的神奇 （4） - 知乎看，RLHF有这三个优点：
从符尧大神的文章Notion – The all-in-one workspace for your notes, tasks, wikis, and databases.里可以看出RLHF的效果如下：
我们的中文实验大多是基于GLM10B的huggingface版本进行的。SFT和大多网上的策略是一样的，使用开源的指令数据集，和一些ChatgptAPI生成的数据集训练。目前网上没有像英文领域有那么多公开的偏好数据集，早期我们直接用翻译接口翻译了HH-RLHF数据集，然后训练了一个回报模型。之后在一些中文的多轮对话上做强化学习，这样粗糙的RLHF，已经可以得到一个能够生成翔实的回应的PPO模型了。但是，也只是变得翔实而已，遵守指令的能力甚至变弱了，也没有丝毫安全性的提升（因为完全没相关数据）。
后来在清华开源的安全数据集上，经过一些精挑细选，分布到RM和PPO中，模型就可以保持翔实的前提下提高安全性，但是指令的遵循能力还很弱。但是这里也证明了一点，只要数据分布合理，RM和PPO就能让模型得到相关能力的提升。所以要得到一个对指令有广泛理解，答案翔实，安全且诚实，对于RM数据集的要求还是蛮高的，同时PPO应该也有相同的分布。
我们使用的RM的数据集和PPO数据集都没有达到1w级别，这也证实了强化学习算法的泛化性确实很强。
现在RLHF相关的框架非常多，基本上每周都有新的开源框架出现。选择一个合适的框架，一个是方便我们写代码，一个是能够节省更多显存。我们学习使用的框架有DeepspeedChat、Trlx、ColossalAI-Chat，同时也包括一些常用的框架例如Accelerate、PEFT等。每个框架都有自己的优缺点，这里大概说一下：
优势：应该是目前网上大家提到的，使用最广泛的LLM的强化学习框架了。这个框架里面的算法基本是参考了OpenAI当年LM强化学习开源代码的实现，在此基础上，增加了Accelerate框架的调用支持，还有对各种常见的LM的封装，主要是添加了ValueFunction的head，还有一些冻结参数的支持。
不足：代码逻辑比起其他框架来说，有些凌乱，新手看起来不太友好。我第一个学的就是Trlx，后来看ColossalAI感觉Trlx写的真乱。还有就是Trlx的代码里，默认情况下，离线策略只执行一次，然后就训练，感觉有点奇怪。我实践经验上看，多次迭代效果是更好的。其次就是Trlx里面对Huggingface的模型封装比较复杂，我要在GLM上改挺麻烦的。
补充：trlx默认的参数基本是都是ok的，特别是gamma和lam的值，改了之后效果可能会差很多
优势：应该是目前最容易能达成100B以上Huggingface模型强化学习的框架了。里面强化学习的部分大多和Trlx的算法一致，添加了PTX损失和EMA算法。代码逻辑也比较清晰。借助最新0.9.0版本deepspeed新增的混合引擎，实现zero3推理时，自动完成张量并行，大大降低了100B基本模型的强化学习门槛。
缺点：lora功能不完善。deepspeed混合引擎目前只支持几个BLOOM、GPT等LM，如果要支持GLM不知道要怎么改。所以暂时没有使用它。
优势：代码逻辑清晰，新手学习非常友好。自己实现了一个和Trlx不太一样的PPO算法，每个句子只生成一个reward，没有时间步的概念，自然也就没有基于GAE求解优势函数的算法。这个算法本身我实践下来不太好训练，后面我们自己将其中的value function进行优化后，才成功训练起来，效果还是很不错的。
不足：ColossalAI框架本身不太完善。新功能得等社区慢慢更新，和很多流行的框架也不兼容，比较麻烦。
目前我们采用的是Accelerate+deepspeed的基本框架，同时用PEFT的lora减少显存占用。其实Accelerate和deepspeed的组合也不是特别好，Accelerate里面如果调用deepspeed的话，只支持一个模型和一个优化器，这导致ppo训练的时候比较麻烦，还不如直接使用原生的deepspeed。但是accelerate在分布式训练的时候，确实有它的优势，帮你解决了很多麻烦的事情，代码写起来比较省心。
这里我们特别提一下PEFT新分支中有个对多适配器lora的支持，这个功能天生就和PPO非常的搭，相当于一个基模型，通过挂多个lora的适配器，就可以随时变成RM、Critic、Actor、RefModel。同时加载四个模型，只需要消耗几乎等同于一个模型的显存，非常的香。GLM10B，开启zero2，在PPO训练的时候，单卡开到bs4，最终大概占用了30多G的显存。
补充：lora Multi Adapter功能已经合并到主分支了，详情可以看0.3.0的更新公告。
顺便提一下RLHF里一些好用的显存优化方法：
我们在Accelerate+deepspeed+peft的基本框架下，参照ColossalAI的代码逻辑，重新实现了一种回报模型算法和三种对齐算法。
2.1 回报模型
回报模型的结构和loss设计基本和Trlx保持一致，分数是取句末token的分数，实践证明这样训练后的权重用来初始化Critic是最有利于训练多时间步的PPO的。ColossalAI的回报模型分数是将句子所有的token求平均，这个如果是训练单步的PPO是没啥区别的，但是训练多步的话就不太合适。所以最后我还是都统一用Trlx的风格。
2.2 对齐算法
对齐算法我们实现了三种，一个是Trlx的多步PPO算法、一个是ColossalAI的单步PPO算法、一个是最近阿里开源的RRHF算法GitHub - GanjinZero/RRHF: RRHF & Wombat。
其中单步的PPO算法，ColossalAI默认是用一个Critic模型去拟合reward，这样训练出来的优势值很小很难训练。其实优势函数的本意就是累积奖励-累积奖励的期望。而对于单步的PPO来说，累积奖励就是单步奖励，而单步奖励的期望，其实并不需要一个神经网络去拟合。我们可以简单的通过随机生成n个答案，将它们的平均reward作为累积奖励的期望就可以训练的。这样即节省了一个神经网络，效果也非常好。
对于RRHF算法，原文中是离线生成了所有训练数据的答案，再去做训练。比较费时，训练起来也比较慢。我们也改成和ColossalAI类似的制作一小批数据就训练一次的方式，这样reward的增长会快一些。
实践下来，Trlx的多步PPO算法、ColossalAI的单步PPO、RRHF它们三者的reward上涨的量都差不多。RRHF上涨会快一些，但是的KL散度偏离要比PPO大很多。不过，RRHF基本不需要调参，PPO需要比较精细的调参。
不知道中文什么时候能够有开源的比较完备的偏好数据集，能够涵盖较多的指令场景，同时在真实性、安全性方便也能有所顾及。其实只要有问题就行，答案最好是让sft去生成再找人打标，从instructgpt论文里看，这样ppo阶段的分数才是最精确的。
在影响PPO算法性能的10个关键技巧（附PPO算法简洁Pytorch实现） - Beaman的文章 - 知乎?影响PPO算法性能的10个关键技巧（附PPO算法简洁Pytorch实现） - 知乎这篇文章里，提到了很多PPO的优化方法，里面我只试了一部分，目前来看，对优势值的正则化是有效的，能够让actor的loss变得稳定，如果是分布式的场景，记得要同步后再做正则，这块Trlx有相关的实现。Adam Optimizer Epsilon Parameter这个也是有效的，很神奇。对reward和value的正则化我没有试过。然后梯度裁剪、学习率衰减那些我都是有加的，多少都有点用。
目前来看，主要就是每轮到底要制作多少离线的数据，太少模型会学的不太稳定，太多模型会学的太慢，这个需要多做实验尝试。然后就是每批数据要训练多少轮，太少，模型学的慢，太多容易过拟合。不知道deepspeedchat为什么会说他们只制作一次，训练一轮是最好的。这个我这边感觉还是多轮迭代比较好。
希望各位大佬也能分享一下经验，一起学习学习
参考：1、https://www.libhunt.com/compare-DeepSpeed-vs-ColossalAI
? ? ? ? 3、https://hpc-ai.com/benchmarks