PPOLoss

class torchtune.rlhf.loss.PPOLoss(epsilon: float = 0.1, value_clip_range: float = 0.2, value_coeff: float = 0.1)

近端策略优化 (PPO) 损失模块。此实现使用以下参考

https://arxiv.org/abs/1707.06347 公式 7

https://github.com/vwxyzjn/lm-human-preference-details/blob/ccc19538e817e98a60d3253242ac15e2a562cb49/lm_human_preference_details/train_policy_accelerate.py#L719

https://github.com/openai/baselines/blob/ea25b9e8b234e6ee1bca43083f8f3cf974143998/baselines/ppo2/model.py#L68-L75

参数：

• epsilon (float) – PPO 更新的裁剪范围。

• value_clip_range (float) – 值函数更新的裁剪范围。

• value_coeff (float) – 值函数损失贡献的系数。

forward(pi_old_logprobs: Tensor, pi_logprobs: Tensor, advantages: Tensor, phi_old_values: Tensor, phi_values: Tensor, returns: Tensor, padding_masks: Optional[Tensor] = None, value_padding_masks: Optional[Tensor] = None) → Tuple[Tensor, Tensor, Tensor, Tensor, Tensor]

PPO 损失模块的前向传递。

参数：

• pi_old_logprobs (torch.Tensor) – 旧策略的对数概率。

• pi_logprobs (torch.Tensor) – 当前策略的对数概率。

• advantages (torch.Tensor) – 优势值。

• phi_old_values (torch.Tensor) – 旧值函数的值预测。

• phi_values (torch.Tensor) – 当前值函数的值预测。

• returns (torch.Tensor) – 返回值。

• padding_masks (Optional[torch.Tensor]) – 与 pi_logprobs 形状相同的填充标记掩码，其中 True 表示相应的损失值应参与策略损失计算。

• value_padding_masks (Optional[torch.Tensor]) – 与 pi_logprobs 形状相同的填充标记掩码，其中 True 表示相应的损失值应参与值损失计算。

返回值：

包含五个张量的元组

• loss: 总 PPO 损失。

• policy_loss: 策略函数损失。

• value_loss: 值函数损失。

• ratios: 当前和旧策略概率之间的比率。

• clipfrac: 被裁剪的比率的分数。

返回类型：

Tuple[torch.Tensor，torch.Tensor，torch.Tensor，torch.Tensor，torch.Tensor]