Skip to content

Latest commit

 

History

History
181 lines (154 loc) · 12.4 KB

README.md

File metadata and controls

181 lines (154 loc) · 12.4 KB

GRPO && REINFORCE++

GRPO（Group Relative Policy Optimization，组相对策略优化）是 PPO（Proximal Policy Optimization，近端策略优化）算法的一种变体。与 PPO 不同，GRPO 省略了价值函数估计器。在 GRPO 中，对于每个状态 (s)，算法会从当前策略 (\pi_{\theta_{t}}) 中采样多个动作 (a_{1}, \dots, a_{G})。然后，GRPO 计算这些动作相对于组内其他动作的“组相对优势”（group-relative advantage），以此作为优化策略的依据。 REINFORCE++ 是经典 REINFORCE 算法的改进版本，通过融合 PPO 的关键优化技术并移除 Critic Model，实现了更加简洁高效的策略优化。相比于传统的 REINFORCE，REINFORCE++ 在 Token-Level KL 惩罚、PPO-Clip、优势标准化、奖励裁剪和奖励标准化等关键技术上进行了改进，从而提高了训练过程的效率和稳定性。

以下是详细的使用文档和示例：

环境依赖

  • 训练环境：
  1. 参考 Paddle 官网安装 PaddlePaddle-GPU
  2. clone 并安装 PaddleNLP
git clone https://github.com/PaddlePaddle/PaddleNLP.git
  1. 安装 paddlenlp_ops，参考 PaddleNLP/csrc 进行安装（必需）
cd your_PaddleNLP_path/csrc
python setup_cuda.py install

支持模型

模型系列 模型名称
Llama3.1 meta-llama/Meta-Llama-3.1-8B, meta-llama/Meta-Llama-3.1-8B-Instruct, meta-llama/Meta-Llama-3.1-70B, meta-llama/Meta-Llama-3.1-70B-Instruct, meta-llama/Meta-Llama-3.1-405B, meta-llama/Meta-Llama-3.1-405B-Instruct, meta-llama/Llama-Guard-3-8B
Llama3.2 meta-llama/Llama-3.2-1B, meta-llama/Llama-3.2-1B-Instruct, meta-llama/Llama-3.2-3B, meta-llama/Llama-3.2-3B-Instruct
Qwen1.5 Qwen/Qwen1.5-0.5B, Qwen/Qwen1.5-0.5B-Chat, Qwen/Qwen1.5-1.8B, Qwen/Qwen1.5-1.8B-Chat, Qwen/Qwen1.5-4B, Qwen/Qwen1.5-4B-Chat, Qwen/Qwen1.5-7B, Qwen/Qwen1.5-7B-Chat, Qwen/Qwen1.5-14B, Qwen/Qwen1.5-14B-Chat, Qwen/Qwen1.5-32B, Qwen/Qwen1.5-32B-Chat
Qwen2 Qwen/Qwen2-0.5B, Qwen/Qwen2-0.5B-Instruct, Qwen/Qwen2-1.5B, Qwen/Qwen2-1.5B-Instruct, Qwen/Qwen2-7B, Qwen/Qwen2-7B-Instruct, Qwen/Qwen2-72B, Qwen/Qwen2-72B-Instruct, Qwen/Qwen2-57B-A14B, Qwen/Qwen2-57B-A14B-Instruct
Qwen2-Math Qwen/Qwen2-Math-1.5B, Qwen/Qwen2-Math-1.5B-Instruct, Qwen/Qwen2-Math-7B, Qwen/Qwen2-Math-7B-Instruct
Qwen2.5 Qwen/Qwen2.5-0.5B, Qwen/Qwen2.5-0.5B-Instruct, Qwen/Qwen2.5-1.5B, Qwen/Qwen2.5-1.5B-Instruct, Qwen/Qwen2.5-3B, Qwen/Qwen2.5-3B-Instruct, Qwen/Qwen2.5-7B, Qwen/Qwen2.5-7B-Instruct, Qwen/Qwen2.5-14B, Qwen/Qwen2.5-14B-Instruct, Qwen/Qwen2.5-32B, Qwen/Qwen2.5-32B-Instruct,
Qwen2.5-Math Qwen/Qwen2.5-Math-1.5B, Qwen/Qwen2.5-Math-1.5B-Instruct, Qwen/Qwen2.5-Math-7B, Qwen/Qwen2.5-Math-7B-Instruct
Qwen2.5-Coder Qwen/Qwen2.5-Coder-1.5B, Qwen/Qwen2.5-Coder-1.5B-Instruct, Qwen/Qwen2.5-Coder-7B, Qwen/Qwen2.5-Coder-7B-Instruct

数据协议

字段说明

  • src (list(str)): 经过 chat_template 处理后的 prompt 输入；
  • tgt (list(str)): 标签内容；

数据示例

{
    "src": ["<|im_start|>system\nYou are a helpful assistant. The assistant first thinks about the reasoning process in the mind and then provides the user with the answer. The reasoning process and answer are enclosed within <think> </think> and<answer> </answer> tags, respectively, i.e., <think> reasoning process here </think><answer> answer here </answer>.  Now the user asks you to solve a logical reasoning problem. After thinking, when you finally reach a conclusion, clearly state the identity of each character within <answer> </answer> tags. i.e., <answer> (1) Zoey is a knight\n(2) ... </answer>.\n<|im_end|>\n<|im_start|>user\nA very special island is inhabited only by knights and knaves. Knights always tell the truth, and knaves always lie. You meet 3 inhabitants: Michael, Zoey, and Ethan. Michael was heard saying, \"Ethan is a knight if and only if Michael is a knight\". \"Zoey is a knight or Ethan is a knight,\" Zoey mentioned. Ethan asserted: \"Michael is a knave if and only if Zoey is a knave\". So who is a knight and who is a knave?\n<|im_end|>\n<|im_start|>assistant\n<think>"],
    "tgt": ["(1) Michael is a knight\n(2) Zoey is a knight\n(3) Ethan is a knight"]
}

GRPO & REINFORCE++ 数据准备

我们提供了一版使用 Qwen/Qwen2.5-7B-Instruct-1M 的chat template预处理后的KK 数据集。

wget https://paddlenlp.bj.bcebos.com/datasets/examples/ppo-kk.tgz && tar zxf ppo-kk.tgz

训练

GRPO && REINFORCE++ 训练配置

我们采用的配置文件放置在llm/config/llama/grpo_argument.yaml和llm/config/qwen/grpo_argument.yaml中，同时我们提供了详细参数释义如下：

  • rl_algorithm: 使用的强化学习算法，支持grpo、reinforce_plus_plus
  • actor_model_name_or_path: actor-model 和 reference-model 模型本地的模型路径
  • reward_model_name_or_path: reward 模型的名称或本地路径
  • use_rm_server: 是否使用 reward model server，设置为False时需要提供reward_model_name_or_path
  • reward_server: reward model server 的 URL 地址, 比如http://127.0.0.1:8731
  • logging_dir: 日志保存的文件夹
  • logging_steps: 训练日志打印的间隔步数
  • output_dir: 模型参数保存目录
  • report_to: 训练可视化工具，支持 "all"、"wandb"、"tensorboard"、"visualdl"、"none"
  • wandb_http_proxy: 连接 wandb 使用的 HTTP 代理
  • run_name: 实验名称
  • train_datasets: 训练集路径
  • eval_datasets: 验证集路径
  • prompt_key: 数据集中 query 对应的字段名
  • response_key: 数据集中 response 对应的字段名
  • dataloader_drop_last: dataloader 是否丢弃最后不完整的 batch
  • balance_batch: 该参数用于指定是否在数据并行场景下，对批次内的 token 数量进行均衡分配。若设置为 True，系统将尝试在不同并行设备间平衡 token 的分布；若设置为 False（默认值），则不进行此类均衡操作。
  • use_remove_padding: 此参数决定是否在训练过程中去除输入数据中的 padding 部分。启用该选项（设置为 True）可有效提高训练过程中有效 token 的占比，从而提升训练效率；若设置为 False（默认值），则保留输入数据中的 padding。
  • tensor_parallel_degree: 张量并行度
  • sequence_parallel: 是否启用序列并行
  • sharding_parallel_degree: sharding 并行度
  • sharding: 分片策略，支持 "stage1" 或 "stage2"
  • sharding_parallel_config: sharding 并行配置
  • pipeline_parallel_degree: 流水线并行度
  • virtual_pp_degree: 虚拟流水线并行度
  • max_prompt_len: 生成样本时的最大生成长度， max_length 调大会增加生成时间，并且增加显存占用。注意： max_dec_len + max_prompt_len 应当小于 max_seq_len。
  • max_dec_len: 最大生成长度
  • min_dec_len: 最小生成长度
  • top_p: 生成解码超参数
  • temperature: 生成解码超参数
  • repetition_penalty: 生成解码超参数
  • rollout_max_num_seqs: 单次推理可以处理的最大序列数
  • rollout_quant_type: 量化类型，例如 "weight_only_int8"
  • seed: 随机种子
  • global_batch_size: 一次（一个 step）推理（rollout)采样的 prompt 数量
  • global_mini_batch_size: actor model 更新一次参数训练的 prompt 数量
  • rollout_n: 一个 prompt 采样的 response 数量
  • update_iters: 同一批数据训练次数
  • per_device_logprob_batch_size: 计算 log_probs 时，一个 batch 的样本数量
  • per_device_reward_batch_size: critic model 计算 loss 与反向传播时，一个 batch 的的样本数量
  • per_device_value_batch_size: critic model 前向计算 values 时，一个 batch 的的样本数量
  • per_device_train_batch_size: actor model 计算 loss 与反向传播时，一个 batch 的样本数量
  • num_train_epochs: 训练的 epoch 数
  • max_length: 训练时的最大长度，应大于 max_prompt_len 和 max_dec_len 之和
  • learning_rate: 学习率
  • lr_scheduler_type: Actor 模型要使用的学习率调度策略。 (str, 可选, 默认为linear)
  • weight_decay: AdamW 优化器的权重衰减
  • adam_beta1: AdamW 优化器的 beta1
  • adam_beta2: AdamW 优化器的 beta2
  • adam_epsilon: AdamW 优化器的 epsilon
  • max_grad_norm: 梯度裁剪的最大值
  • max_steps: 总的训练步数
  • save_steps: 模型参数保存的间隔步数
  • ignore_save_lr_and_optim: 是否忽略保存学习率和优化器状态
  • kl_coeff: KL 惩罚系数
  • kl_loss_coeff: KL Loss 系数
  • pg_loss_coeff: 策略梯度损失系数
  • entropy_coeff: entropy loss 系数
  • clip_range_ratio: PPO-Clip 裁剪阈值
  • clip_range_ratio_low: PPO-Clip 裁剪下限阈值
  • clip_range_ratio_high: PPO-Clip 裁剪上限阈值
  • clip_range_score: reward 的剪切范围，reward 会被限制在 [-clip_range_score, clip_range_score] 范围内
  • clip_range_value: value 模型输出的剪切范围，value 会被限制在 [-clip_range_value, clip_range_value] 范围内
  • normalize_reward: 是否使用 reward 标准化
  • normalize_advantage: 是否使用 advantage 标准化
  • use_fp32_compute: 是否使用 fp32 来计算 log_prob、reward、advantage 和 loss
  • do_eval: 是否进行评估
  • per_device_eval_batch_size: 估 batch 大小
  • evaluation_strategy: 评估策略，例如 steps
  • eval_steps: 模型评估的间隔步数
  • use_flash_attention: 是否启用 FlashAttention-2，默认为 False
  • use_fused_rms_norm: 是否使用融合的 RMSNorm 算子，需安装 fused_ln
  • recompute: Actor 模型是否使用重计算策略，开启后可节省训练显存
  • recompute_granularity: Actor 模型的重计算的粒度，可选项为core_attn和full. core_attn速度快但是显存占用，full速度慢但是显存占用低
  • bf16: 使用 bfloat16 精度进行模型训练和推理。
  • fp16_opt_level: float16 精度训练模式，O2表示纯 float16 训练
  • amp_custom_black_list: 自定义 AMP 黑名单
  • amp_custom_white_list: 自定义 AMP 白名单

GRPO 训练命令

cd your_PaddleNLP_path/llm/alignment/ppo
# 启动 reward server
python reward_server.py
export PYTHONPATH=your_PaddleNLP_path/:$PYTHONPATH
export PYTHONPATH=your_PaddleNLP_path/llm:$PYTHONPATH

export FLAGS_set_to_1d=False
export NVIDIA_TF32_OVERRIDE=0
export FLAGS_dataloader_use_file_descriptor=False
export HF_DATASETS_DOWNLOAD_TIMEOUT=1
export FLAGS_gemm_use_half_precision_compute_type=False
export FLAGS_force_cublaslt_no_reduced_precision_reduction=True

export FLAGS_mla_use_tensorcore=0
export FLAGS_cascade_attention_max_partition_size=2048

python -u -m paddle.distributed.launch --devices "0,1,2,3" run_ppo.py ../../config/qwen/grpo_argument.yaml
# python -u -m paddle.distributed.launch --devices "0,1,2,3" run_ppo.py ../../config/llama/grpo_argument.yaml

REINFORCE++ 训练命令

将配置文件grpo_argument.yaml中的rl_algorithm改为reinforce_plus_plus即可, 其它命令同 GRPO

在线监控

在grpo_argument.yaml中设置的输出目录为"logging_dir": "vdl_log", 可以通过以下命令查看训练过程

visualdl --logdir vdl_log --host 0.0.0.0