计算机科学 > 机器学习
[提交于 2023年9月1日
]
标题: 高效RLHF:降低PPO的内存使用量
标题: Efficient RLHF: Reducing the Memory Usage of PPO
摘要: 基于人类反馈的强化学习(RLHF)通过将模型与人类偏好对齐,彻底改变了语言建模。 然而,RL阶段中的近端策略优化(PPO)所需的内存是监督微调(SFT)的3倍以上,这使得大多数从业者无法使用。 为了解决这个问题,我们对PPO的内存节约技术的内存使用、性能和训练时间进行了全面分析。 我们首先将SFT和奖励模型集成,然后在训练过程中动态地将LoRA“关闭”,从而提出了Hydra-RLHF。 我们的实验表明:1. 在PPO中使用LoRA可将其内存使用量减少到低于SFT的水平,同时在四个公共基准上改善了对齐效果,2. Hydra-PPO将LoRA-PPO的每个样本延迟降低了高达65%,同时保持其性能。 我们的结果表明,Hydra-PPO是一种简单且有前景的解决方案,有助于更广泛地应用RLHF。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.