强化学习 PPO、DPO和GRPO 加上例子辅助理解
核心思想：PPO是OpenAI提出的强化学习算法，通过来保证训练稳定。
ps:这个帖子主要是为了对强化学习的几种实现方式做一个大概的了解，然后用简单容易理解的例子来辅助解释，主要是为了速成一下各种八股知识以准备面试，如果需要对公式和原理更深入的了解的话，这个帖子可能不太适合。
1.PPO（Proximal Policy Optimization）
核心思想：PPO是OpenAI提出的强化学习算法，通过限制策略更新幅度来保证训练稳定。
1.1 前置知识
策略梯度目标
1.2. 从PG到PPO的演进
1. 2.1引入Baseline减少方差
Advantage的含义：
- A > 0：这个回复比平均好，应该增加它的概率
- A < 0：这个回复比平均差，应该减少它的概率
1.2.2. TRPO：限制更新幅度
1.3. PPO的核心机制
好动作：增加概率，但不要增太多（r ≤ 1.2）坏动作：减少概率，但不要减太多（r ≥ 0.8）
1. 4 PPO在RLHF中的应用
整体架构：
┌─────────────────────────────────────────────────────────────┐
│ PPO-RLHF 四个模型 │
├─────────────────────────────────────────────────────────────┤
│ 1. Policy Model (π_θ) 要优化的模型，生成回复 │
│ 2. Reference Model (π_ref) SFT模型，冻结，用于KL约束 │
│ 3. Reward Model (RM) 打分模型，评估回复质量 │
│ 4. Value Model (Critic) 估计状态价值，计算Advantage │
└─────────────────────────────────────────────────────────────┘
KL散度衡量新策略和原始SFT模型的差异。如果差太远，就扣分。
1.5 关键组件详解
1.5.1 GAE（Generalized Advantage Estimation）
1.5.2 Value Model
通常和Policy共享底座，加一个value head：
class PolicyWithValueHead(nn.Module):
def __init__(self, base_model):
self.base = base_model # LLM
self.value_head = nn.Linear(hidden_size, 1)
def forward(self, x):
hidden = self.base(x).last_hidden_state
logits = self.base.lm_head(hidden) # 策略输出
values = self.value_head(hidden[:, -1]) # 价值输出
return logits, values
1.5.3 KL散度计算
在token级别计算：
def compute_kl_penalty(policy_logprobs, ref_logprobs):
"""
policy_logprobs: [batch, seq_len] 当前策略的log概率
ref_logprobs: [batch, seq_len] 参考策略的log概率
"""
# KL(π||π_ref) ≈ log(π) - log(π_ref) 当两者接近时
kl = policy_logprobs - ref_logprobs
return kl # 逐token的KL
1.6 图解
┌─────────────────────────────────────────────────────────────────┐
│ PPO训练一轮 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ Step 1: 采样阶段 │
│ ┌─────────────┐ │
│ │ Policy模型 │ 输入: "如何学习Python？" │
│ │ (旧参数) │ 输出: "多写代码，从项目开始..." │
│ └─────────────┘ │
│ │ │
│ └──→ 记录 log P_old = -2.3 (整个序列的log概率) │
│ │
│ Step 2: 计算奖励 │
│ ┌─────────────┐ │
│ │ Reward模型 │ ──→ R = 0.8 │
│ └─────────────┘ │
│ │
│ Step 3: 计算KL惩罚 │
│ ┌─────────────┐ │
│ │Reference模型│ ──→ KL = 0.2 │
│ └─────────────┘ │
│ │ │
│ └──→ 调整后奖励 = R - β×KL = 0.8 - 0.1×0.2 = 0.78 │
│ │
│ Step 4: 计算Advantage │
│ ┌─────────────┐ │
│ │ Value模型 │ ──→ V = 0.3 (预测的平均水平) │
│ └─────────────┘ │
│ │ │
│ └──→ A = 调整后奖励 - V = 0.78 - 0.3 = 0.48 │
│ (正数，说明这是个好动作！) │
│ │
│ Step 5: PPO更新（重复多次） │
│ ┌─────────────┐ │
│ │ Policy模型 │ 重新计算 log P_new = -2.1 │
│ (新参数) │ │
│ └─────────────┘ │
│ │ │
│ ├──→ r = exp(P_new - P_old) = exp(-2.1-(-2.3)) = 1.22 │
│ │ │
│ ├──→ 原始目标: r × A = 1.22 × 0.48 = 0.586 │
│ │ │
│ ├──→ 裁剪目标: clip(1.22, 0.8, 1.2) × A │
│ │ = 1.2 × 0.48 = 0.576 ← 被裁剪了！ │
│ │ │
│ ├──→ Loss = -min(0.586, 0.576) = -0.576 │
│ │ │
│ └──→ 反向传播，更新参数 │
│ 但因为被clip了，梯度会阻止r继续增大 │
│ │
└─────────────────────────────────────────────────────────────────┘
PPO的策略：样本复用
一批样本采样一次，然后复用多次更新。
但是复用有风险——如果参数变化太大，旧样本就不能代表新策略了。
Clip机制正是为了解决这个问题：限制参数变化幅度，保证旧样本在多次更新后仍然有效。
1.7 归纳PPO
- 完整版（适合详细解释）：
PPO是RLHF中经典的强化学习算法，包含四个模型。Policy Model是我们要训练的目标模型，希望它能生成符合人类偏好的回复。Reward Model对Policy生成的回复打分，评估回复质量，分数越高表示越符合人类期望。Reference Model是SFT阶段得到的模型，参数冻结不更新，用于计算KL散度来衡量Policy与它的差异，防止Policy为了追求高奖励而输出奇怪内容（reward hacking），同时保持语言流畅性等基本能力；KL散度会作为惩罚项从奖励中扣除，偏离越大扣得越多。Value Model预测当前状态的平均回报作为baseline，用于计算Advantage（优势函数），即调整后奖励减去Value预测值，正数表示这个回复比平均水平好、应该增加其概率，负数表示比平均差、应该降低其概率。有了Advantage后，PPO通过Clip机制更新Policy：首先计算概率比r（新策略生成该回复的概率除以旧策略的概率），然后将r裁剪到一个范围内（比如0.8到1.2），最后用裁剪后的r乘以Advantage计算Loss进行反向传播。Clip机制的作用是限制每次更新的幅度——好动作可以增加概率但不能超过上限，坏动作可以降低概率但不能低于下限，从而保证训练过程稳定，避免策略剧烈变化导致崩溃。
- 精简版（适合快速回答）
PPO包含四个模型：Policy是要优化的模型，Reward给回复打分，Reference通过KL散度约束Policy不要偏离Reference太远，防止reward hacking，Value预测平均水平用于计算Advantage表示动作好坏。更新时，PPO计算新旧策略的概率比r，用Clip机制将r限制在一定范围内（如0.8到1.2），再与Advantage相乘得到Loss进行反向传播。Clip的作用是防止单次更新幅度过大，保证训练稳定。
2. DPO（Direct Preference Optimization ）
2.1 DPO的动机：PPO太复杂了
2.2 DPO的核心思想
2.3 偏好数据张什么样
DPO使用成对偏好数据：
2.4 直觉理解 & 数学公式
DPO的数学公式：
用具体数值理解：
2.5 DPO vs. PPO
- 在线生成：PPO训练时要实时用Policy生成回复，计算量大但能探索新策略。 离线学习：DPO用预先准备好的数据，计算量小但只能学数据集覆盖的内容。
- 训练流程对比
# PPO
┌─────────────────────────────────────────────────────────────┐
│ 1. Policy生成回复 │
│ 2. Reward Model打分 │
│ 3. Reference Model算KL │
│ 4. Value Model算Advantage │
│ 5. PPO更新（clip机制） │
└─────────────────────────────────────────────────────────────┘
需要：在线生成、4个模型、复杂的RL循环
# DPO
┌─────────────────────────────────────────────────────────────┐
│ 1. 读取偏好数据 (prompt, chosen, rejected) │
│ 2. Policy算chosen和rejected的概率 │
│ 3. Reference算chosen和rejected的概率 │
│ 4. 算DPO Loss，反向传播 │
└─────────────────────────────────────────────────────────────┘
需要：离线数据、2个模型、简单的分类Loss
2.6 归纳DPO
- 详细版本：
DPO（Direct Preference Optimization）是一种简化的RLHF算法，核心思想是绕过Reward Model，直接从偏好数据优化策略。DPO只需要两个模型：Policy Model是要训练的目标模型，Reference Model是SFT后冻结的参考模型。训练数据是成对的偏好数据，每条包含一个prompt、一个好回复（chosen）和一个差回复（rejected）。DPO的目标是让Policy相对于Reference更倾向于生成好回复、更不倾向于生成差回复。具体做法是计算Policy和Reference对两个回复的概率比，然后最大化好回复的相对提升与差回复的相对提升之差。DPO的数学基础是RLHF最优解的闭式形式——Reward可以用策略概率比隐式表示，因此不需要显式训练Reward Model。相比PPO，DPO更简单稳定（只需2个模型、无需在线生成、是简单的分类Loss），但缺点是离线学习没有探索能力，效果依赖偏好数据的质量。
- 精简版：
DPO绕过Reward Model，直接从偏好数据优化Policy。只需要Policy和Reference两个模型，训练数据是成对的好/差回复。DPO让模型更倾向好回复、更不倾向差回复，通过最大化两者概率比之差实现。数学上，DPO利用了RLHF最优解的闭式形式，把强化学习问题转化为简单的分类问题。优点是简单稳定，缺点是离线学习没有探索能力。
3. GRPO （Group Relative Policy Optimization）
3.1 GRPO的目标
保留PPO的在线探索能力，但去掉Value Model。
3.2 回顾：Value Model在PPO中的作用
3.3 GRPO的核心思想
对同一个prompt生成一组回复，用组内平均奖励作为baseline。
不需要训练额外的Value Model！
用例子理解GRPO：
关键洞察：
- 不需要Value Model：用组内均值代替
- 相对排名：只关心组内谁好谁差，不关心绝对分数
- 自动标准化：Advantage有正有负，梯度方向明确
3.4 GRPO的完整流程
┌─────────────────────────────────────────────────────────────┐
│ GRPO 训练一轮 │
├─────────────────────────────────────────────────────────────┤
│ │
│ Step 1: 对每个prompt生成一组回复 │
│ ┌─────────────┐ │
│ │ Policy模型 │ prompt: "如何学Python？" │
│ │ │ ──→ 生成G个回复（如G=4） │
│ └─────────────┘ y₁, y₂, y₃, y₄ │
│ │
│ Step 2: 获取每个回复的奖励 │
│ ┌─────────────┐ │
│ │ Reward模型 │ ──→ r₁=0.9, r₂=0.7, r₃=0.3, r₄=0.1 │
│ │ （或规则） │ │
│ └─────────────┘ │
│ │
│ Step 3: 组内标准化得到Advantage │
│ │
│ mean = (0.9+0.7+0.3+0.1)/4 = 0.5 │
│ std = 0.316 │
│ │
│ A₁ = (0.9-0.5)/0.316 = +1.27 │
│ A₂ = (0.7-0.5)/0.316 = +0.63 │
│ A₃ = (0.3-0.5)/0.316 = -0.63 │
│ A₄ = (0.1-0.5)/0.316 = -1.27 │
│ │
│ Step 4: 计算KL惩罚 │
│ ┌─────────────┐ │
│ │Reference模型│ ──→ 计算每个回复的KL散度 │
│ └─────────────┘ │
│ │
│ Step 5: PPO风格更新（带Clip） │
│ │
│ 对每个回复： │
│ r = P_new / P_old │
│ loss = -min(r × A, clip(r) × A) + β × KL │
│ │
│ 反向传播，更新Policy参数 │
│ │
└─────────────────────────────────────────────────────────────┘
3.5 为什么DeepSeek-R1用GRPO？
因为数学推理的特殊性。数学问题有明确的对错，不需要学习Reward Model。
def math_reward(prompt, response):
"""规则奖励：答案对就是1，错就是0"""
predicted_answer = extract_answer(response)
correct_answer = get_ground_truth(prompt)
if predicted_answer == correct_answer:
return 1.0 # 答对了
else:
return 0.0 # 答错了
3.6 GRPO的特点& 比较
GRPO的优势：
| 特点 | 对数学推理的好处 |
|---|---|
| 在线生成 | 能探索不同的推理路径 |
| 组内对比 | 同一题目多个解法，保留好的、淘汰差的 |
| 不需要Value Model | 简化训练，规则奖励足够 |
| 不需要学习RM | 数学对错是客观的，不需要学 |
GRPO的局限性：
| 局限 | 解释 |
|---|---|
| 需要在线生成 | 比DPO计算量大 |
| 组内方差问题 | 如果所有回复都差不多，标准化后梯度很小 |
| 需要奖励信号 | 必须有RM或规则奖励，不像DPO只需要偏好数据 |
| 组大小权衡 | 组太小则baseline估计不准，组太大则计算量大 |
三种方法总结对比图：
┌─────────────────────────────────────────────────────────────┐
│ RLHF 三种方法对比 │
├─────────────────────────────────────────────────────────────┤
│ │
│ PPO: 最完整，4个模型，在线生成，探索能力强 │
│ └─→ 适合：通用场景，资源充足 │
│ │
│ DPO: 最简单，2个模型，离线学习，无探索 │
│ └─→ 适合：有高质量偏好数据，追求简单稳定 │
│ │
│ GRPO: 折中方案，3个模型，在线生成，组内对比 │
│ └─→ 适合：有规则奖励（如数学），需要探索但想简化 │
│ │
│ 复杂度: PPO > GRPO > DPO │
│ 探索性: PPO ≈ GRPO > DPO │
│ 稳定性: DPO > GRPO > PPO │
│ │
└─────────────────────────────────────────────────────────────┘
3.7 归纳GRPO
- 详细版本：
GRPO（Group Relative Policy Optimization）是DeepSeek提出的强化学习算法，核心思想是用组内相对排名代替Value Model来估计baseline。GRPO需要三个模型：Policy Model是要训练的目标模型，Reference Model用于KL约束防止策略偏离太远，Reward Model（或规则函数）对回复打分。训练时，对每个prompt用当前Policy生成一组回复（比如4-8个），获取每个回复的奖励后，用组内均值作为baseline、组内标准差做归一化，得到每个回复的Advantage。Advantage为正表示这个回复比组内平均好，应该增加概率；为负则应该降低概率。最后用PPO的Clip机制更新参数，限制每次更新幅度保证稳定。相比PPO，GRPO去掉了Value Model，简化了训练；相比DPO，GRPO保留了在线生成的探索能力。GRPO特别适合有明确规则奖励的场景（如数学推理），DeepSeek-R1就是用GRPO训练的，因为数学答案的对错可以直接判断，不需要学习Reward Model。
- 简洁版本：
GRPO用组内相对排名代替Value Model：对同一个prompt生成多个回复，用组内均值作为baseline计算Advantage，好于平均的增加概率、差于平均的降低概率。相比PPO少了Value Model，相比DPO保留了在线探索能力。特别适合有规则奖励的场景，如数学推理（答案对错可直接判断）。
更多推荐
28
0- 0
已为社区贡献2条内容
所有评论(0)