Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2309.00754v1

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2309.00754v1 (cs)
[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

Authors:Michael Santacroce, Yadong Lu, Han Yu, Yuanzhi Li, Yelong Shen
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。
摘要: Reinforcement Learning with Human Feedback (RLHF) has revolutionized language modeling by aligning models with human preferences. However, the RL stage, Proximal Policy Optimization (PPO), requires over 3x the memory of Supervised Fine-Tuning (SFT), making it infeasible to use for most practitioners. To address this issue, we present a comprehensive analysis the memory usage, performance, and training time of memory-savings techniques for PPO. We introduce Hydra-RLHF by first integrating the SFT and Reward models and then dynamically turning LoRA "off" during training. Our experiments show: 1. Using LoRA during PPO reduces its memory usage to be smaller than SFT while improving alignment across four public benchmarks, and 2. Hydra-PPO reduces the latency per sample of LoRA-PPO by up to 65% while maintaining its performance. Our results demonstrate that Hydra-PPO is a simple and promising solution for enabling more widespread usage of RLHF.
主题: 机器学习 (cs.LG) ; 人工智能 (cs.AI); 计算与语言 (cs.CL)
引用方式: arXiv:2309.00754 [cs.LG]
  (或者 arXiv:2309.00754v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2309.00754
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Michael Santacroce [查看电子邮件]
[v1] 星期五, 2023 年 9 月 1 日 22:57:20 UTC (200 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-09
切换浏览方式为:
cs
cs.AI
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号