强化学习框架：OpenRLHF源码解读，模型处理
本文主要介绍 强化学习框架：OpenRLHF源码解读，模型处理
models框架设计
了解一下 OpenRLHF的模型框架设计范式：
可以知道一个大概的流程：输入Pormpt通过Actor model输出回复 Response，而后将两部分进行拼接再去由其他模型进行处理
1、actor.py
https://github.com/OpenRLHF/OpenRLHF/blob/main/openrlhf/models/actor.py
这部分主要为加载所需要的模型
class Actor(nn.Module): def __init__(...): if isinstance(pretrain_or_model, str): ... self.model = model_class.from_pretrained( pretrain_or_model, trust_remote_code=True, attn_implementation=attn_implementation, quantization_config=nf4_config, torch_dtype=torch.bfloat16 if bf16 else "auto", device_map=device_map, ) if lora_rank > 0: self.model.enable_input_require_grads() lora_config = LoraConfig( task_type=TaskType.CAUSAL_LM, r=lora_rank, lora_alpha=lora_alpha, target_modules=target_modules, lora_dropout=lora_dropout, bias="none", ) self.model = get_peft_model(self.model, lora_config) ... else: self.model = pretrain_or_model @torch.no_grad() def generate(self, input_ids: torch.Tensor, **kwargs): ... sequences = self.model.generate(**generate_args) eos_token_id = generate_args["eos_token_id"] pad_token_id = generate_args["pad_token_id"] return self.process_sequences(sequences, input_ids.size(1), eos_token_id, pad_token_id) def forward(...): ... output["logits"] = output["logits"].to(torch.float32) # 得到每一个token概率 ... log_probs = log_probs_from_logits( output["logits"][:, :-1, :], sequences[:, 1:], temperature=self.temperature ) ... action_log_probs = log_probs[:, -num_actions:] 这个actor比较简单，首先从huggingface加载需要的模型，并且对模型进行部分设置如：量化/lora微调。或者直接加载自己预训练好的模型。
1、generate：模块则是根据输入的内容（比如说被 tokenizer处理好的文本）input_ids通过模型输出新的内容（根据 **kwargs获取生成文本参数设置比如说：top_k等）
2、forward：根据输入的 token 序列（sequences），计算模型在生成最后若干个 token（即 "动作"）时的对数概率（log probs），之所以要这么处理是因为，在强化学习模型中（PPO、DPO等）一般而言模型的输出是一个序列，但优化目标不是“能不能生成这个序列”，而是：这个序列中，哪些 token 是“好”的？模型对这些 token 的概率应该更高！比如说在 DPO中：
里面的
就是概率比值，上面代码中：
log_probs_from_logits(output["logits"][:, :-1, :], sequences[:, 1:], temperature=self.temperature) 计算的就是：(log(pi_{theta}(a|s)))，在具体代码中：
def log_probs_from_logits(logits: torch.Tensor, labels: torch.Tensor, temperature: float = 1.0) -> torch.Tensor: if temperature != 1.0: logits.div_(temperature) if logits.dtype in [torch.float32, torch.float64]: batch_dim = logits.shape[:-1] last_dim = logits.shape[-1] try: from flash_attn.ops.triton.cross_entropy import cross_entropy_loss output = cross_entropy_loss(logits.reshape(-1, last_dim), labels.reshape(-1)) log_probs_labels = -output[0].view(*batch_dim) except ImportError: logits_labels = torch.gather(logits, dim=-1, index=labels.unsqueeze(-1)).squeeze(-1) logsumexp_values = _logsumexp_by_chunk(logits.reshape(-1, last_dim)) logsumexp_values = logsumexp_values.view(*batch_dim) log_probs_labels = logits_labels - logsumexp_values # log_softmax(x_i) = x_i - logsumexp(x) else: log_probs_labels = [] for row_logits, row_labels in zip(logits, labels): # loop to reduce peak mem consumption row_log_probs = F.log_softmax(row_logits, dim=-1) row_log_probs_labels = row_log_probs.gather(dim=-1, index=row_labels.unsqueeze(-1)).squeeze(-1) log_probs_labels.append(row_log_probs_labels) log_probs_labels = torch.stack(log_probs_labels) return log_probs_labels 补充-1：
在使用AutoModelForCausalLM.from_pretrained使用得到model之后，其支持输入参数为：
outputs = model( input_ids=None, # 输入的token（batch_size, seq_length） attention_mask=None, # 指示哪些 token 是有效的（非 padding），形状同 input_ids position_ids=None, # 位置编码 past_key_values=None, inputs_embeds=None, use_cache=None, # 是否使用k-v cache labels=None, # 输入标签就直接计算loss output_attentions=None, output_hidden_states=None, return_dict=None, ) 补充-2：
在LLM训练过程中遇到过短的语句为了节约显存（如果都将内容补充到相同长度，那么就会有较多的padding造成浪费），因此可以将几个短的拼接起来，但是为了区分那些是一个句子那些不是的，在 OpenRLHF中通过参数：self.packing_samples。如果没有packing那么直接根据attention_mask将位置编码在处理一下
if not self.packing_samples: position_ids = attention_mask.long().cumsum(-1) - 1 position_ids.masked_fill_(attention_mask == 0, 1) else: # convert attention_mask to position_ids if ring_attn_group is not None: labels = sequences sequences, attention_mask, position_ids = convert_ring_attn_params( sequences, attention_mask, packed_seq_lens, ring_attn_group ) else: position_ids = reset_position_ids(attention_mask) # explicitly ignore attention_mask for packing_samples attention_mask = None 其中
reset_position_ids做的就是重新做位置编码重新处理
2、model.py
https://github.com/OpenRLHF/OpenRLHF/blob/main/openrlhf/models/model.py
主要功能返回所需要的模型，主要返回2个模型：1、CriticModel；2、RewardModel 回顾一下这几类模型的作用：无论是在GRPO还是DPO中都会输出token然后需要去对token进行评分，起评分作用的就是 reward model 对应上面图中 reward model，除此之外都会计算 优势函数（(Q(s,a)-V(s))）来评估策略的好坏优势函数里面计算就是通过 critic model来对某一个策略进行评估对应上面图像中的：value model
def _get_reward_model(base_pretrained_model, base_llm_model, value_head_prefix="score", packing_samples=False): class RewardModel(base_pretrained_model): def __init__(...): ... # 加载模型 setattr(self, self.base_model_prefix, base_llm_model(config)) self.value_head_prefix = value_head_prefix setattr(self, value_head_prefix, nn.Linear(config.hidden_size, 1, bias=False) # 输出评分 ... def forward(self, input_ids: torch.LongTensor = None, attention_mask: Optional[torch.Tensor] = None, return_output=False, ring_attn_group=None,pad_sequence=False, packed_seq_lens=None,): ...# 1、处理packing outputs = getattr(self, self.base_model_prefix)( input_ids, attention_mask=attention_mask, position_ids=position_ids ) last_hidden_states = outputs["last_hidden_state"] values = getattr(self, self.value_head_prefix)(last_hidden_states).squeeze(-1) ...# 1、处理packing else: # 输出最后一个有效token的评分代替整个句子评分 eos_indices = attention_mask.size(1) - 1 - attention_mask.long().fliplr().argmax(dim=1, keepdim=True) reward = values.gather(dim=1, index=eos_indices).squeeze(1) if not self.training and self.normalize_reward: reward = (reward - self.mean) / self.std return (reward, outputs) if return_output else reward return RewardModel def _get_critic_model(base_pretrained_model, base_llm_model, value_head_prefix="score", packing_samples=False): class CriticModel(base_pretrained_model): def __init__(...): ... def forward(...): ...# 1、处理packing outputs = getattr(self, self.base_model_prefix)( input_ids, attention_mask=attention_mask, position_ids=position_ids ) last_hidden_states = outputs["last_hidden_state"] values = getattr(self, self.value_head_prefix)(last_hidden_states).squeeze(-1) ... if num_actions is None: assert return_output return outputs if not self.packing_samples: action_values = values[:, -num_actions:] else: assert isinstance(num_actions, list) and len(num_actions) == len(packed_seq_lens) action_values = [] offset = 0 for num_action, seq_len in zip(num_actions, packed_seq_lens): start, end = max(0, offset + seq_len - num_action - 1), offset + seq_len - 1 action_values.append(values[:, start:end]) offset += seq_len action_values = torch.cat(action_values, dim=1) if return_output: return (action_values, outputs) else: return action_values return CriticModel 1、reward model: 传入一个 base_pretrained_model（比如 PreTrainedModel）、一个 base_llm_model（比如 AutoModel）以及一些控制参数。函数内部返回一个定制化的奖励模型类 RewardModel，它可以在给定输入句子时，输出一个数值（reward 分数），反映输出文本的质量。在forward计算中，直接将输入model使用的几个参数（见上面的补充有具体解释）计算最后取最后一个状态的值，并且将这个值取计算评分。也就是说 reward model：首先计算下一个预测的token而后对这些token进行打分
2、critic model：具体输入参数和 reward model相同。参考之前介绍，上面代码中直接返回action_values = values[:, -num_actions:]（ num_actions存在条件下）这样就会得到不同的Q(s, a1), Q(s, a2), ...
总结上面两组模型，在 LLM 的强化学习场景下，Reward Model 和 Critic Model 都从 last_hidden_state 得到 token-level 表达，再用 Linear 层输出每个 token 的 score。
Reward Model最后提取的是 EOS token 的 score，表示整句话的奖励。Critic Model会进一步提取最后 num_actions 个 token 的 value，这些 token 是 Actor 生成的动作，对应到 PPO 中的：𝐴(𝑠,𝑎)=𝑄(𝑠,𝑎)−𝑉(𝑠)。
理解上面内容，回顾最上面的框架设计，用下面例子进行解释。
Prompt："The capital of France is"
Actor model："Paris is beautiful"。那么合并得到：input_ids = ["The", "capital", "of", "France", "is", " Paris", "is", "beautiful"]
Reward model：对上面每个单词进行评分，假设：values = [0.1, 0.2, 0.3, 0.2, 0.4, 0.7, 0.5, 0.8] # 每个 token 的 score 而后输出句子中整体评分 0.8
Critic model：只对最后几个 token 的 action 计算 loss，于是：action_values = values[:, -3:] # 即取出最后 3 个生成 token 的 Q 值这些值也就对应了我们模型的生成
3、loss.py
https://github.com/OpenRLHF/OpenRLHF/blob/main/openrlhf/models/loss.py
补充-1：
裁剪使用的是torch.clamp（https://pytorch.org/docs/stable/generated/torch.clamp.html）强制将范围外的数值处理为边界值，范围内数字保持不变
1、PolicyLoss：Policy Loss for PPO
2、ValueLoss: Value Loss for PPO
代码测试
修改了代码见链接：https://www.big-yellow-j.top/_jupyter/OpenRLHF_model.py
总结
本文主要介绍了在 OpenRLHF中模型框架设计，主要分为3类模型：1、actor model；2、critic model；3、reward model这三类模型中分别起到作用：1、直接更具prompt输出response；2、输出token的评分（action_values = values[:, -3:]）；3、返回整句输出评分（找出最后一个有效 token 的索引，然后从 value 向量中提取该位置的值作为 reward。）
