日志记录
由于强化学习算法在历史上很难调试,因此务必仔细注意日志记录。默认情况下,TRL PPOTrainer 会将许多相关信息保存到 wandb
或 tensorboard
中。
在初始化时,将这两个选项之一传递给 PPOConfig
config = PPOConfig(
model_name=args.model_name,
log_with=`wandb`, # or `tensorboard`
)
如果您想使用 tensorboard 进行日志记录,请将 kwarg project_kwargs={"logging_dir": PATH_TO_LOGS}
添加到 PPOConfig 中。
PPO 日志记录
以下是数据中提供的日志记录指标的简要说明
关键指标需重点关注。我们希望最大化奖励,保持低 KL 散度,并最大化熵
env/reward_mean
:从环境中获得的平均奖励。别名ppo/mean_scores
,专门用于监控奖励模型。env/reward_std
:从环境中获得的奖励的标准差。别名 `ppo/std_scores
,专门用于监控奖励模型。env/reward_dist
:从环境中获得的奖励的直方图分布。objective/kl
:旧策略和新策略之间的平均 Kullback-Leibler (KL) 散度。它衡量新策略与旧策略的偏差程度。KL 散度用于计算目标函数中的 KL 惩罚。objective/kl_dist
:objective/kl
的直方图分布。objective/kl_coef
:目标函数中 Kullback-Leibler (KL) 散度的系数。ppo/mean_non_score_reward
:由objective/kl * objective/kl_coef
计算的 KL 惩罚,作为优化以防止新策略与旧策略相差过大的总奖励。objective/entropy
:模型策略的熵,由-logprobs.sum(-1).mean()
计算。高熵意味着模型的行为更加随机,这可能有利于探索。
训练统计信息
ppo/learning_rate
:PPO 算法的学习率。ppo/policy/entropy
:模型策略的熵,由pd = torch.nn.functional.softmax(logits, dim=-1); entropy = torch.logsumexp(logits, dim=-1) - torch.sum(pd * logits, dim=-1)
计算。它衡量策略的随机性。ppo/policy/clipfrac
:PPO 目标中落在剪切范围外的概率比(旧策略 / 新策略)的比例。这可以用来监控优化过程。ppo/policy/approxkl
: 使用0.5 * masked_mean((logprobs - old_logprobs) ** 2, mask)
计算新旧策略之间的近似 KL 散度,对应于 http://joschu.net/blog/kl-approx.html 中的k2
估计器。ppo/policy/policykl
: 与ppo/policy/approxkl
相似,但使用masked_mean(old_logprobs - logprobs, mask)
计算,对应于 http://joschu.net/blog/kl-approx.html 中的k1
估计器。ppo/policy/ratio
: 新旧策略比率的直方图分布,用于计算 PPO 目标函数。ppo/policy/advantages_mean
: GAE(广义优势估计)优势估计值的平均值。优势函数衡量了某个动作相对于状态下平均动作的优劣程度。ppo/policy/advantages
:ppo/policy/advantages_mean
的直方图分布。ppo/returns/mean
: TD(λ)回报值的平均值,计算公式为returns = advantage + values
,也是模型性能的另一个指标。更多细节请参考 https://iclr-blog-track.github.io/2022/03/25/ppo-implementation-details/。ppo/returns/var
: TD(λ)回报值的方差,计算公式为returns = advantage + values
,也是模型性能的另一个指标。ppo/val/mean
: 值函数的平均值,用于监测值函数的性能。ppo/val/var
: 值函数的方差,用于监测值函数的性能。ppo/val/var_explained
: 值函数的解释方差,用于监测值函数的性能。ppo/val/clipfrac
: 值函数预测值中被裁剪的比例。ppo/val/vpred
: 值函数预测的值。ppo/val/error
:ppo/val/vpred
和回报值之间的均方误差,用于监测值函数的性能。ppo/loss/policy
: 近端策略优化 (PPO) 算法的策略损失。ppo/loss/value
: PPO 算法中值函数的损失。该值量化了函数估计预期未来奖励的程度。ppo/loss/total
: PPO 算法的总损失。它是策略损失和值函数损失的总和。
查询、响应和 logprob 的统计信息
tokens/queries_len_mean
: 查询令牌的平均长度。tokens/queries_len_std
: 查询令牌长度的标准差。tokens/queries_dist
: 查询令牌长度的直方图分布。tokens/responses_len_mean
: 响应令牌的平均长度。tokens/responses_len_std
: 响应令牌长度的标准差。tokens/responses_dist
: 响应令牌长度的直方图分布。(Costa:命名不一致,应该为tokens/responses_len_dist
)objective/logprobs
: 模型采取的动作的 log 概率的直方图分布。objective/ref_logprobs
: 参考模型采取的动作的 log 概率的直方图分布。
关键值
在训练过程中,会记录许多值,以下是最重要的几个:
env/reward_mean
、env/reward_std
、env/reward_dist
:来自“环境”/奖励模型的奖励分布属性。ppo/mean_non_score_reward
: 训练期间平均负 KL 惩罚(显示了参考模型和新策略在步骤中的批次之间的差异)。
以下是一些有助于监测稳定性的参数(当这些参数发散或收敛到 0 时,尝试调整变量):
ppo/loss/value
: 当训练不顺利时,它会激增/出现 NaN。ppo/policy/ratio
:ratio
为 1 是一个基线值,意味着根据新旧策略,采样令牌的概率相同。如果比率过高,例如 200,则意味着根据新策略,采样令牌的概率是旧策略的 200 倍。这表明新策略与旧策略差异太大,这很可能会导致过度优化并在以后导致训练崩溃。ppo/policy/clipfrac
和ppo/policy/approxkl
: 如果ratio
太高,ratio
将会被裁剪,从而导致clipfrac
和approxkl
也随之升高。objective/kl
: 它应该保持为正值,以确保策略不会偏离参考策略太远。objective/kl_coef
: 使用AdaptiveKLController
的目标系数。通常在数值不稳定之前会增加。