训练自然语言对话任务

这部分我们将通过一个自然语言对话任务( DailyDialog )来介绍如何在OpenRL中导入 Hugging Face 模型和数据、 如何使用 自定义奖励模型 以及如何 自定义 wandb 的输出 等。

DailyDialog任务介绍

DailyDialog 是一个英文的多轮对话数据集，一共包含1.3万条对话数据。 下图展示了DailyDialog中的一段对话示例：

过去，这类自然语言任务通常都是使用监督学习来进行训练， 但最近的研究表明，强化学习也可以用于训练语言模型， 并且能显著提升模型的性能（参考[1][2][3]）。

接下来，我们将详细介绍如何使用OpenRL来完成自然语言任务的训练。

创建环境与加载数据

自然语言任务训练涉及到一些额外包的使用，用户可以通过以下命令完成相关包的安装：

pip install "openrl[nlp]"

和前面介绍过的使用教程（MPE ）一样， 我们首先需要编写一个 train_ppo.py 文件，编写以下训练代码：

# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
from openrl.configs.config import create_config_parser
def train():
    # 添加读取配置文件的代码
    cfg_parser = create_config_parser()
    cfg = cfg_parser.parse_args()
    # 创建 NLP 环境
    env = make("daily_dialog",env_num=2,asynchronous=True,cfg=cfg)
    # 创建 神经网络
    net = Net(env, cfg=cfg, device="cuda")
    # 创建训练智能体
    agent = Agent(net)
    # 开始训练
    agent.train(total_time_steps=100000)
    # 保存训练完成的智能体
    agent.save("./ppo_agent/")
if __name__ == "__main__":
    train()

然后，我们可以创建一个配置文件 nlp_ppo.yaml ，并加入以下内容:

# nlp_ppo.yaml
env: # 环境所用到的参数
    args: {
        "tokenizer_path": gpt2, # 读取tokenizer的路径
        "data_path": daily_dialog # 数据集路径
    }
seed: 0 # 设置seed，保证每次实验结果一致
lr: 1e-6 # 设置policy模型的学习率
critic_lr: 1e-6 # 设置critic模型的学习率
episode_length: 20 # 设置每个episode的长度
use_recurrent_policy: true

从上面配置文件可以看出，训练NLP任务需要额外设置 环境参数 env.args。 其中，环境参数中的 data_path 可以设置为 Hugging Face数据集名称 或者 本地数据集路径。 而 tokenizer_path 则用于指定加载文字编码器的 Hugging Face名称 或者 本地路径。

使用 Hugging Face 的模型进行训练

在OpenRL中，我们可以使用 Hugging Face 上的模型来进行训练。 为了加载Hugging Face上的模型，我们首先需要在配置文件 nlp_ppo.yaml 中添加以下内容：

# nlp_ppo.yaml
model_path: rajkumarrrk/gpt2-fine-tuned-on-daily-dialog # 预训练模型路径
use_share_model: true # 策略网络和价值网络是否共享模型
ppo_epoch: 5 # ppo训练迭代次数

env: # 环境所用到的参数
    args: {
        "tokenizer_path": gpt2, # 读取tokenizer的路径
        "data_path": daily_dialog # 数据集路径
    }
lr: 1e-6 # 设置policy模型的学习率
critic_lr: 1e-6 # 设置critic模型的学习率
episode_length: 128 # 设置每个episode的长度
num_mini_batch: 20

然后需要在 train_ppo.py 中添加以下代码：

# train_ppo.py
from openrl.envs.common import make
from openrl.modules.common import PPONet as Net
from openrl.runners.common import PPOAgent as Agent
from openrl.configs.config import create_config_parser
from openrl.modules.networks.policy_value_network_gpt import (
    PolicyValueNetworkGPT as PolicyValueNetwork,
)
def train():
    # 添加读取配置文件的代码
    cfg_parser = create_config_parser()
    cfg = cfg_parser.parse_args()
    # 创建 NLP 环境
    env = make("daily_dialog",env_num=2,asynchronous=True,cfg=cfg)
    # 创建 神经网络
    model_dict = {"model": PolicyValueNetwork}
    net = Net(env, cfg=cfg, model_dict=model_dict)
    # 创建训练智能体
    agent = Agent(net)
    # 开始训练
    agent.train(total_time_steps=100000)
    # 保存训练完成的智能体
    agent.save("./ppo_agent/")
if __name__ == "__main__":
    train()

通过以上简单几行的修改，用户便可以使用Hugging Face上的预训练模型进行训练。

注解

上面这个例子中，我们使用了 PolicyValueNetworkGPT 这个模型。 OpenRL还支持用户自定义模型（例如自定模型为 CustomPolicyValueNetwork ），然后通过

model_dict = {"model": CustomPolicyValueNetwork}
net = Net(env, model_dict=model_dict)

的方式传入训练网络。如果想要分别实现策略网络和价值网络，可以通过

model_dict = {
    "policy": CustomPolicyNetwork,
    "critic": CustomValueNetwork,
}
net = Net(env, model_dict=model_dict)

来实现。自定义模型的实现方式可以参考 PolicyValueNetworkGPT、PolicyNetwork 以及 ValueNetwork。

使用奖励模型

通常，自然语言任务的数据集中并不包含奖励信息。 因此，如果需要使用强化学习来训练自然语言任务，就需要使用额外的奖励模型来生成奖励。

在该DailyDialog任务中，我们将会使用一个复合的奖励模型，它包含以下三个部分：

• 意图奖励：即当智能体生成的语句和期望的意图接近时，智能体便可以获得更高的奖励。

• METEOR指标奖励： METEOR 是一个用于评估文本生成质量的指标，它可以用来衡量生成的语句和期望的语句的相似程度。我们把这个指标作为奖励反馈给智能体，以达到优化生成的语句的效果。

• KL散度奖励：该奖励用来限制智能体生成的文本偏离预训练模型的程度，防止出现reward hacking的问题。

我们最终的奖励为以上三个奖励的加权和，其中 KL散度奖励 的系数是随着KL散度的大小动态变化的。

想在OpenRL中使用该奖励模型，用户无需修改训练代码，只需要在 nlp_ppo.yaml 文件中添加 reward_class 参数即可：

# nlp_ppo.yaml
reward_class:
    id: NLPReward # 奖励模型名称
    args: {
        # 用于意图判断的模型的名称或路径
        "intent_model": rajkumarrrk/roberta-daily-dialog-intent-classifier,
        # 用于计算KL散度的预训练模型的名称或路径
        "ref_model": rajkumarrrk/gpt2-fine-tuned-on-daily-dialog,
    }

model_path: rajkumarrrk/gpt2-fine-tuned-on-daily-dialog # 预训练模型路径
use_share_model: true
ppo_epoch: 5 # ppo训练迭代次数
env: # 环境所用到的参数
    args: {
        "tokenizer_path": gpt2, # 读取tokenizer的路径
        "data_path": daily_dialog # 数据集路径
    }
lr: 1e-6 # 设置policy模型的学习率
critic_lr: 1e-6 # 设置critic模型的学习率
episode_length: 128 # 设置每个episode的长度
num_mini_batch: 20

注解

OpenRL支持用户使用自定义的奖励模型。 首先，用户需要编写自定义奖励模型(需要继承 BaseReward 类)。 接着，用户需要注册自定义的奖励模型，即在 train_ppo.py 添加以下代码：

# train_ppo.py
from openrl.rewards.nlp_reward import CustomReward
from openrl.rewards import RewardFactory
RewardFactory.register("CustomReward", CustomReward)

最后，用户需要在 nlp_ppo.yaml 中填写自定义的奖励模型即可：

reward_class:
    id: "CustomReward" # 自定义奖励模型名称
    args: {} # 用户自定义奖励模型可能用到的参数

自定义wandb输出

OpenRL还支持用户自定义wandb和tensorboard的输出内容。 例如，在该任务的训练过程中，我们还需要输出各种类型奖励的信息和KL散度系数的信息， 用户可以在 nlp_ppo.yaml 文件中加入 vec_info_class 参数来实现:

# nlp_ppo.yaml
vec_info_class:
    id: "NLPVecInfo" # 调用NLPVecInfo类以打印NLP任务中的奖励信息
#设置wandb信息
wandb_entity: openrl # 这里用于指定wandb团队名称，请把openrl替换为你自己的团队名称
experiment_name: train_nlp # 这里用于指定实验名称
run_dir: ./run_results/ # 这里用于指定实验数据保存的路径
log_interval: 1 # 这里用于指定每隔多少个episode上传一次wandb数据
# 自行填写其他参数...

修改完配置文件后，在 train_ppo.py 文件中启用wandb:

# train_ppo.py
agent.train(total_time_steps=100000, use_wandb=True)

然后执行 python train_ppo.py --config nlp_ppo.yaml ，过一会儿，便可以在wandb中看到如下的输出:

从上图可以看到，wandb输出了各种类型奖励的信息和KL散度系数的信息。

如果用户还需要输出其他信息，还可以参考 NLPVecInfo 类 和 VecInfo 类来实现自己的 CustomVecInfo 类。 然后，需要在 train_ppo.py 中注册自定义的 CustomVecInfo 类:

# train_ppo.py
# 注册自定义输出信息类
VecInfoFactory.register("CustomVecInfo", CustomVecInfo)

最后，只需要在 nlp_ppo.yaml 中填写 CustomVecInfo 类即可：

# nlp_ppo.yaml
vec_info_class:
    id: "CustomVecInfo" # 调用自定义CustomVecInfo类以输出自定义信息

使用混合精度训练加速

OpenRL还提供了一键开启混合精度训练的功能。用户只需要在配置文件中加入以下参数即可：

# nlp_ppo.yaml
use_amp: true # 开启混合精度训练

小技巧

用户可以在 train_ppo.py 里找到训练nlp任务的示例代码。 并在 nlp_ppo.yaml 里找到训练nlp任务的各项参数。 用户可以执行 python train_ppo.py --config nlp_ppo.yaml 指令以训练对话任务。

使用 DeepSpeed 加速训练

OpenRL 还提供了一项功能，可以一步启用 DeepSpeed 训练。用户首先需要添加两个配置文件：

# ds_config.yaml
{
  "train_batch_size": 32, # train_batch_size = episode_length * env_num / num_mini_batch
  "train_micro_batch_size_per_gpu": 16, # train_micro_batch_size_per_gpu = train_batch_size / num_gpu
  "steps_per_print": 10,
  "zero_optimization": {
      "stage": 2, # 默认使用 Zero2
      "reduce_bucket_size": 5e7,
      "allgather_bucket_size": 5e7
  },
  "fp16": {"enabled": false, "loss_scale_window": 100} # 是否使用fp16
}
# eval_ds_config.yaml
{
  "train_batch_size": 32,
  "train_micro_batch_size_per_gpu": 16,
  "steps_per_print": 10,
  "zero_optimization": {
    "stage": 0, # 默认对 ref_model 和奖励模型使用 cpu_offload
    "offload_param": {"device": "cpu"}
},
  "fp16": {"enabled": false} # 是否使用fp16
}

接下来在 nlp_ppo_ds.yaml 中启用 DeepSpeed：

use_deepspeed: true
use_fp16: false
use_offload: false
deepspeed_config: ds_config.json
reward_class:
  id: "NLPReward"
  args: {
    "use_deepspeed": true,
    "ref_ds_config": "eval_ds_config.json",
    "ref_model": "rajkumarrrk/gpt2-fine-tuned-on-daily-dialog",
    "intent_ds_config": "eval_ds_config.json",
    "intent_model": "rajkumarrrk/roberta-daily-dialog-intent-classifier",
  }

小技巧

episode_length 和 num_mini_batch 可以在 nlp_ppo_ds.yaml 中找到； env_num 可以在 train_ppo.py 中找到； 请确保所有参数满足以下关系：train_batch_size = episode_length * env_num / num_mini_batch 。

最后执行以下命令即可启动训练：

deepspeed train_ppo.py --config nlp_ppo_ds.yaml

OpenRL训练结果

下表格展示了使用OpenRL训练该对话任务的结果。结果显示使用强化学习训练后，模型各项指标均有所提升。 另外，从下表可以看出，相较于 RL4LMs ， OpenRL的训练速度更快（在同样3090显卡的机器上，速度提升 17.2% ），最终的性能指标也更好。

	FPS(训练速度)	Rouge-1	Rouge-Lsum	Meteor	SacreBLEU	意图奖励	平均预测语句长度
监督学习	None	0.164	0.137	0.234	0.063	0.427	18.95
RL4LMs	11.26	0.169	0.144	0.198	0.071	0.455	18.83
OpenRL	13.20(+17%)	0.181(+10%)	0.153(+12%)	0.292(+25%)	0.090(+43%)	0.435(+1.9%)	18.69

下表显示，与采用 DataParallel 的 OpenRL 相比，采用 DeepSpeed 的 OpenRL 具有更快的训练速度：

	FPS(Speed)	Number of GPUs	Memory Usage per GPU(MB)	GPU Type	Train Micro Batch Size per GPU
DeepSpeed w/ GPT-2-small	5.11(+30%)	2	13537	RTX 3090	8
Data-Parallel w/ GPT-2-small	3.94	2	7207	RTX 3090	8
DeepSpeed w/ OPT-1.3B	7.09(+35%)	4	35360	NVIDIA A100	8
Data-Parallel w/ OPT-1.3B	5.25	4	15854	NVIDIA A100	8

和训练好的智能体进行对话

对于训练好的智能体，用户可以方便地通过 agent.chat() 接口进行对话：

# chat.py
from openrl.runners.common import ChatAgent as Agent
def chat():
    agent = Agent.load("./ppo_agent", tokenizer="gpt2",)
    history = []
    print("Welcome to OpenRL!")
    while True:
        input_text = input("> User: ")
        if input_text == "quit":
            break
        elif input_text == "reset":
            history = []
            print("Welcome to OpenRL!")
            continue
        response = agent.chat(input_text, history)
        print(f"> OpenRL Agent: {response}")
        history.append(input_text)
        history.append(response)
if __name__ == "__main__":
    chat()

小技巧

用户可以在 chat.py 里找到该部分的示例代码。 此外，我们还在 chat_6b.py 提供了一个和 ChatGLM-6B 模型聊天的示例。

执行 python chat.py ，便可以和训练好的智能体进行对话了：