电子商务网站建设的毕业论文太原网站关键词排名

本文代码参见：https://github.com/zysNLP/quickllm/tree/main/learnings/llm_related-main；感谢star。本文内容非常生动形象、但也非常长非常详细，请参照代码逐行耐心查看

配套《AIGC大模型理论与工业落地实战》；持续更新中

1. PPO算法简介

近端策略优化（Proximal Policy Optimization, PPO）是OpenAI于2017年提出的一种强化学习算法，属于策略梯度（Policy Gradient）方法。PPO通过限制策略更新的幅度来保证训练的稳定性，是目前RLHF（Reinforcement Learning from Human Feedback）中最常用的算法之一。

2. 核心概念：4+2理解法

2.1 四个模型

2.1.1 策略模型（Actor Model）

• 作用：待优化的主模型，负责生成文本
• 参数更新：✅ 参与训练，通过策略损失进行优化
• 代码位置：actor_model = AutoModelForCausalLM.from_pretrained(...)

2.1.2 价值模型（Critic Model）

• 作用：评估当前状态的期望回报，预测每个token的价值
• 参数更新：✅ 参与训练，通过价值损失进行优化
• 代码位置：critic_model = Critic(actor_model.base_model)

2.1.3 奖励模型（Reward Model）

• 作用：评估生成文本的质量，提供奖励信号
• 参数更新：❌ 不参与训练，权重固定
• 代码位置：reward_model = AutoModelForSequenceClassification.from_pretrained(...)

注意事项：不建议使用API形式的reward model，原因如下：

1. API请求耗时较长（单次请求约1-5秒），严重影响训练效率
2. API响应可能不稳定，容易出现解析失败的情况
3. 相比本地reward模型，API形式的性能差异显著
4. 建议使用本地reward模型进行PPO训练，以获得更好的训练效果和效率

2.1.4 参考模型（Reference Model）

• 作用：防止策略模型偏离原始模型太远，提供KL散度约束
• 参数更新：❌ 不参与训练，权重固定
• 代码位置：ref_model = AutoModelForCausalLM.from_pretrained(...)

3. 数学推导过程

3.1 基础概念

3.1.1 策略与轨迹

在RLHF中：

• 策略：我们要优化的大模型
• 轨迹：一次完整的文本生成过程
• 状态：当前的文本前缀
• 动作：生成下一个token

轨迹定义：
$$\tau =(s_0,a_0,s_1,a_1,\dots ,s_{T-1},a_{T-1})$$

3.1.2 优化目标

基于策略的强化学习的优化目标：
$$\arg \underset{{\pi }_{\theta }}{\max }J({\pi }_{\theta })=\arg \underset{{\pi }_{\theta }}{\max }{\mathbb{E}}_{\tau \sim {\pi }_{\theta }}[R(\tau )]$$

3.2 策略梯度推导

3.2.1 基本策略梯度

通过数学推导，我们可以得到策略梯度的基本形式：
$$\nabla J({\pi }_{\theta })={\mathbb{E}}_{\tau \sim {\pi }_{\theta }}\left[\sum _{t=0}^{T-1}{\Psi }_t\nabla \log {\pi }_{\theta }(a_t|s_t)\right]$$

其中${\Psi }_t$可以有多种选择：

1. 轨迹的累积奖励
2. 轨迹的折扣奖励
3. 引入基线的奖励
4. 动作价值函数$Q^{\pi }(s_t,a_t)$
5. 优势函数$A^{\pi }(s_t,a_t)$

3.2.2 优势函数（Advantage Function）

优势函数衡量某个动作相对于平均水平的优势：
$$A_{\pi }(s_t,a_t)=Q_{\pi }(s_t,a_t)-V_{\pi }(s_t)$$

可以简化为：
$$A_{\pi }(s_t,a_t)=r_t+\gamma V_{\pi }(s_{t+1})-V_{\pi }(s_t)$$

3.2.3 广义优势估计（GAE）

为了平衡偏差与方差，引入GAE：
$${\hat{A}}_t^{\text{GAE}}=\sum _{l=0}^{\infty }(\gamma \lambda {)}^l{\delta }_{t+l}$$

其中 δ t = r t + γ V ( s t + 1 ) − V ( s t ) \delta_t = r_t + \gamma V(s_{t+1}) - V(s_t) δt​=rt​+γV(s