DPO训练问题

[chanel111]

dpo训练小白想请教下大家，我用llama-3-8b-instruct尝试进行dpo训练，数据是从hf上找的中文和英文的dpo数据，训练了4个epoch之后loss已经降到0.1左右，进行测试，模型效果不仅没有提升还出现各种各样的问题，甚至问dpo训练集里的都会出现重复瞎答的现象

下面是我训练的代码，不知道是不是哪里出现bug

import torch

from transformers import AutoTokenizer, TrainingArguments, AutoModelForCausalLM, BitsAndBytesConfig
from datasets import load_dataset
from trl import DPOTrainer
from peft import LoraConfig

output_dir = "./llama3_dpo_lora_result/"
model_name = "./Meta-Llama-3-8B-Instruct/"

dataset = load_dataset("json", data_files="./dpo_train_data_sample.json", split="train")

bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.bfloat16,
)

model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.bfloat16, device_map='auto',
quantization_config=bnb_config
)

tokenizer = AutoTokenizer.from_pretrained(model_name)
tokenizer.pad_token = tokenizer.eos_token

def print_trainable_parameters(input_model):
"""
Prints the number of trainable parameters in the model.
"""
trainable_params = 0
all_param = 0
for _, param in input_model.named_parameters():
all_param += param.numel()
if param.requires_grad:
trainable_params += param.numel()
print(
f"trainable params: {trainable_params} || all params: {all_param} || trainables%: {100 * trainable_params / all_param}"
)

def return_prompt_and_responses(samples):
return {
"prompt": [
f"<|begin_of_text|><|start_header_id|>user<|end_header_id|>\n\n{input}<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\n"
for input in samples["prompt"]
],
"chosen": [
f"{chose}<|eot_id|>" for chose in samples["chosen"]
],
"rejected": [
f"{reject}<|eot_id|>" for reject in samples["rejected"]
],
}

original_columns = dataset.column_names

dataset = dataset.map(
return_prompt_and_responses,
batched=True,
remove_columns=original_columns
)

peft_config = LoraConfig(
lora_alpha=256,
lora_dropout=0.05,
r=128,
bias="none",
target_modules="all-linear",
task_type="CAUSAL_LM",
)

training_args = TrainingArguments(
per_device_train_batch_size=4,
gradient_accumulation_steps=4,
gradient_checkpointing =True,
max_grad_norm= 0.3,
num_train_epochs=8,
save_steps= 500,
learning_rate=2e-6,
bf16=True,
save_total_limit=6,
logging_steps=10,
output_dir=output_dir,
optim="paged_adamw_32bit",
lr_scheduler_type="cosine",
warmup_ratio=0.05,
remove_unused_columns=False
)

print_trainable_parameters(model)

dpo_trainer = DPOTrainer(
model,
ref_model=None,
peft_config=peft_config,
args=training_args,
beta=0.5,
train_dataset=dataset,
tokenizer=tokenizer,
max_prompt_length=1024,
max_length=2048,
)

dpo_trainer.train()
dpo_trainer.save_model(output_dir)

dpo_trainer.model.save_pretrained(output_dir)
tokenizer.save_pretrained(output_dir)

[CrazyBoyM]

可能是数据集质量问题，https://huggingface.co/datasets/shareAI/DPO-zh-en-emoji
试试用这个数据集，另外提醒一下不要重复多个epoch，beta系数的调整实验也很关键。

[chanel111]

可能是数据集质量问题，https://huggingface.co/datasets/shareAI/DPO-zh-en-emoji 试试用这个数据集，另外提醒一下不要重复多个epoch，beta系数的调整实验也很关键。

感谢回复！想问一下就是我从dpo训练集里抽了几条数据测试我训练好的模型，但模型并没有按照训练的chosen答案进行回答（当然也没有按照rejected的去答），感觉和未训练过的模型答的差别不太大，这种情况是正常的吗，还是说loss收敛之后训练集的问题应该完全按照chosen去答（之前一直做SFT，对dpo不太了解）

另外可以请教下一般dpo训练多少epoch为好，loss降到什么值效果比较好，rewards/margins能够作为衡量模型效果的指标吗，还有像beta等其他参数有什么调整策略吗？

[CrazyBoyM]

rewards/margins可以作为参照但不必要，beta从0.05到0.5之间的调整还是很有必要实验的，一般只推荐训练 1 个epoch即可

[chanel111]

rewards/margins可以作为参照但不必要，beta从0.05到0.5之间的调整还是很有必要实验的，一般只推荐训练 1 个epoch即可

好的，感谢~

[james-yw]

@CrazyBoyM @chanel111 你好，请问一下你们在使用LLama3-Instruction直接在中文数据上进行DPO的过程中，有遇到DPO训练过后的模型response会出现生成重复的这种现象吗，有通用的稳定的解决方案吗？谢谢