雖然大規(guī)模無(wú)監(jiān)督語(yǔ)言模型 (LM) 可以學(xué)習(xí)廣泛的世界知識(shí)和一些推理技能，但由于其訓(xùn)練完全無(wú)監(jiān)督，因此很難精確控制其行為。  
現(xiàn)有的獲得這種可控性的方法是收集模型生成相對(duì)質(zhì)量的人類標(biāo)簽，并微調(diào)無(wú)監(jiān)督語(yǔ)言模型以符合這些偏好，通常使用從人類反饋中進(jìn)行強(qiáng)化學(xué)習(xí) (RLHF)。  
然而，RLHF 是一個(gè)復(fù)雜且通常不穩(wěn)定的過(guò)程，首先要擬合一個(gè)反映人類偏好的獎(jiǎng)勵(lì)模型，然后使用強(qiáng)化學(xué)習(xí)微調(diào)大型無(wú)監(jiān)督語(yǔ)言模型以最大化這個(gè)估計(jì)的獎(jiǎng)勵(lì)，而不會(huì)偏離原始模型太遠(yuǎn)。  
在該論文中，利用獎(jiǎng)勵(lì)函數(shù)和最優(yōu)策略之間的映射來(lái)表明，這個(gè)受約束的獎(jiǎng)勵(lì)最大化問(wèn)題可以通過(guò)一個(gè)階段的策略訓(xùn)練進(jìn)行精確優(yōu)化，本質(zhì)上是解決人類偏好數(shù)據(jù)的分類問(wèn)題。  
由此產(chǎn)生的算法，稱之為直接偏好優(yōu)化 (DPO)，穩(wěn)定、高效且計(jì)算量小，無(wú)需擬合獎(jiǎng)勵(lì)模型、在微調(diào)期間從 LM 中采樣或執(zhí)行重大超參數(shù)調(diào)整。

{
    "id": 0,
    "prompt": "最近，馬其頓流行歌手托瑟·普羅埃斯基在一場(chǎng)巡回展覽中被紀(jì)念。",
    "chosen": "\"最近，馬其頓流行歌手托斯·普羅埃斯基在一場(chǎng)展覽中被人們銘記。\" 讓我?guī)湍憷斫?。這意味著他們舉辦了一場(chǎng)特別的展示（我們稱之為展覽），以幫助人們記住馬其頓這個(gè)地方的歌手托斯·普羅埃斯基有多特別。這有點(diǎn)像翻看你的相冊(cè)來(lái)回憶快樂(lè)時(shí)光，但規(guī)模更大，更專注于他成名后的工作和生活。",
    "rejected": "哦！你想知道這句話的意思嗎？好的，讓我告訴你！??\n\n所以，“Son d?nem”在英語(yǔ)中意思是“Last period”。而“Makedon”在英語(yǔ)中是“Macedonian”。而“pop ?ark?c?s?”在英語(yǔ)中意思是“pop singer”！??\n\n所以，句子“Son d?nem Makedon pop ?ark?c?s? Tose Proeski gezer sergide an?l?yor”的意思是“Last period Macedonian pop singer Tose Proeski正在舞臺(tái)上表演?！??\n\n希望這有幫助，小伙伴！??"
}

training_args = DPOConfig(
    beta=0.1,
)
dpo_trainer = DPOTrainer(
    model,
    ref_model,
    args=training_args,
    train_dataset=train_dataset,
    tokenizer=tokenizer,  # for visual language models, use tokenizer=processor instead
)
dpo_trainer.train()
dpo_trainer.save_model()

training_args = DPOConfig(
    beta=0.1,
    save_safetensors=False, // 設(shè)置為False，改為保存為pytorch格式的模型   
)
dpo_trainer = DPOTrainer(
    model,
    ref_model,
    args=training_args,
    train_dataset=train_dataset,
    tokenizer=tokenizer,  # for visual language models, use tokenizer=processor instead
)
dpo_trainer.train()
dpo_trainer.save_model(
    output_dir=f"./out/dpo_sft_xxx.pth"
)

def init_model():
    from transformers import AutoTokenizer, AutoModelForCausalLM, AutoConfig
    AutoConfig.register(MyPretrainConfig.model_type, MyPretrainConfig)
    AutoModelForCausalLM.register(MyPretrainConfig, Transformer)
    my_tokenizer = "./my_tokenizer"
    tokenizer = AutoTokenizer.from_pretrained(my_tokenizer, trust_remote_code=True, use_fast=False)
    ckp = f'./out/full_sft_{lm_config.dim}.pth.{batch_size}'

    print(f"lmconfigs: {lm_config.to_json_string()}")
    with open(ckp_path + "/config.json", 'w') as f:
        f.write(lm_config.to_json_string())

    # 拷貝文件到指定的目錄
    for item in os.listdir(my_tokenizer):
        src_item = os.path.join(my_tokenizer, item)
        if os.path.isfile(src_item):
            dest_item = os.path.join(ckp_path, item)
            shutil.copy2(src_item, dest_item)
    shutil.copy2(ckp, ckp_path + "/pytorch_model.bin")

    model = AutoModelForCausalLM.from_pretrained(ckp_path, trust_remote_code=True).to(device)

    def count_parameters(model):
        return sum(p.numel() for p in model.parameters() if p.requires_grad)
    
    tokenizer.pad_token = tokenizer.eos_token
    print(f'LLM總參數(shù)量：{count_parameters(model) / 1e6:.3f} 百萬(wàn)')
    model = model.to(device)
    return model, tokenizer

if __name__ == '__main__':
    lm_config = MyPretrainConfig()
    max_seq_len = lm_config.max_seq_len
    out_dir = 'out'
    epochs = 20             # 訓(xùn)練輪數(shù)
    batch_size = 8          # batch_size
    learning_rate = 1e-5    # 學(xué)習(xí)率
    device = 'cuda:0'       # or cpu
    dtype = 'bfloat16'

    ckp_path = f'./my_checkpoint'
    if not os.path.exists(ckp_path):
        os.makedirs(ckp_path)

    model, tokenizer = init_model()
    training_config = DPOConfig(
        output_dir=ckp_path,
        per_device_train_batch_size=1,
        remove_unused_columns=False,
        report_to="none",
        save_steps=2000,
        learning_rate=learning_rate,
        save_safetensors=False,
    )

    # 下載訓(xùn)練圖片：https://huggingface.co/datasets/jingyaogong/minimind_dataset/tree/main/dpo
    dataset_path = f'{basepath}/dpo_train_data.json'
    train_dataset = load_dataset('json', data_files=dataset_path)
    dpo_trainer = DPOTrainer(
        model,
        ref_model=None,
        args=training_config,
        beta=0.1,
        train_dataset=train_dataset['train'],
        tokenizer=tokenizer,
        max_length=512,
        max_prompt_length=512
    )
    dpo_trainer.train()
    dpo_trainer.save_model(
        output_dir=f"./out/dpo_sft_{lm_config.dim}.pth.{batch_size}"
    )