TRL（RLHF/DPO 训练）

TRL （Transformer 强化学习）是 HuggingFace 官方用于使用强化学习技术训练语言模型的库。拥有超过 10K 的 GitHub 收藏，它提供了用于大模型对齐的最先进实现，如 RLHF、DPO、PPO、GRPO 等对齐算法。

所有示例都可以在通过以下方式租用的 GPU 服务器上运行 CLORE.AI 市场.

---

什么是 TRL？

TRL 是许多当今最佳对齐语言模型背后的库。它提供：

• SFT（有监督微调） — 使用 ChatML 格式的标准指令微调

• RLHF/PPO — 使用奖励模型的经典近端策略优化（PPO）

• DPO — 直接偏好优化（无需奖励模型！）

• GRPO — 群体相对策略优化（DeepSeek-R1 的方法）

• KTO — Kahneman-Tversky 优化（适用于非配对偏好）

• 奖励建模 — 从人工偏好数据训练奖励模型

• IterativeSFT — 更简单设置的在线强化学习

• ORPO — 赔率比偏好优化

TRL 原生集成了 HuggingFace 生态系统： transformers, peft, datasets, accelerate，以及 bitsandbytes.

你应该使用哪种算法？

• DPO — 最简单、最稳定。当你有配对偏好数据（被选中/被拒绝）时使用。

• PPO — 功能最强但更复杂。当你有奖励模型或评分函数时使用。

• GRPO — 非常适合理解/数学任务。DeepSeek-R1 的训练方法。

• SFT — 在应用任何强化学习方法之前总是从这里开始。

---

服务器要求

组件	最低	推荐
GPU	RTX 3090（24 GB）	A100 80 GB / H100
显存（VRAM）	16 GB（SFT/DPO 7B + LoRA）	80 GB（7B 完整微调）
内存（RAM）	32 GB	64 GB+
CPU	8 核	16+ 核
存储	100 GB	300 GB+
操作系统（OS）	Ubuntu 20.04+	Ubuntu 22.04
Python	3.9+	3.11
CUDA	11.8+	12.1+

按任务的显存需求

任务	模型	方法	显存（VRAM）
SFT	Llama 3 8B	QLoRA 4-bit	~8 GB
DPO	Llama 3 8B	LoRA	~20 GB
PPO	Llama 3 8B	完整（Full）	~80 GB（2×A100）
GRPO	Qwen 7B	LoRA	~24 GB
SFT	Llama 3 70B	QLoRA 4-bit	~48 GB
DPO	Llama 3 70B	LoRA	~80 GB

---

端口（Ports）

端口（Port）	服务（Service）	说明（Notes）
22	SSH	终端访问、文件传输、监控

TRL 是一个训练库——它作为 CLI/Python 脚本运行，不需要 Web 服务器。

---

在 Clore.ai 上的安装

步骤 1 — 租用服务器

1. 前往 Clore.ai 市场

2. 筛选 显存 ≥ 24 GB （RTX 3090、A100 或 H100）

3. 选择一个 PyTorch 或 CUDA 12.1 基础镜像（base image）

4. 选择 存储 ≥ 200 GB 用于模型和数据集

5. 打开端口 22 用于 SSH 访问

步骤 2 — 通过 SSH 连接

ssh root@<server-ip> -p <ssh-port>

步骤 3 — 安装 TRL

# 创建 Python 虚拟环境
python3 -m venv /opt/trl
source /opt/trl/bin/activate

# 安装带全部依赖的 TRL
pip install trl

# 为完整工作流安装额外依赖
pip install \
    transformers \
    datasets \
    peft \
    accelerate \
    bitsandbytes \
    wandb \
    scipy \
    sentencepiece \
    protobuf

# 验证 GPU 支持
python3 -c "import torch; print(f'CUDA: {torch.cuda.is_available()}, GPU: {torch.cuda.get_device_name(0)}')"

步骤 4 — HuggingFace 验证（认证）

# 登录以访问受限模型（如 Llama、Gemma）
huggingface-cli login
# 从 https://huggingface.co/settings/tokens 输入你的 HF 令牌

# 或者设置环境变量
export HF_TOKEN=hf_your-token-here

步骤 5 — 可选：Weights & Biases 跟踪

# 设置实验跟踪（强烈推荐）
pip install wandb
wandb login  # 从 https://wandb.ai/settings 输入你的 W&B API 密钥

# 或者禁用 W&B
export WANDB_DISABLED=true

---

有监督微调（SFT）

SFT 始终是在应用任何强化学习技术之前的第一步。

准备你的数据集

# 格式：datasets 库，带有 'messages' 或 'text' 列
# ChatML 格式（推荐）
from datasets import Dataset

data = [
    {
        "messages": [
            {"role": "system", "content": "You are a helpful GPU cloud assistant."},
            {"role": "user", "content": "How do I rent a GPU on Clore.ai?"},
            {"role": "assistant", "content": "Visit clore.ai/marketplace, filter by GPU specs, select a server, and click Rent. SSH access is provided immediately after payment."}
        ]
    },
    # … 更多示例
]

dataset = Dataset.from_list(data)
dataset.save_to_disk("data/sft_dataset")
dataset.push_to_hub("your-username/my-sft-dataset")  # 可选

SFT 训练脚本

# sft_train.py
from trl import SFTTrainer, SFTConfig
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
from peft import LoraConfig, get_peft_model
from datasets import load_dataset
import torch

# 模型配置
model_name = "meta-llama/Llama-3.2-8B-Instruct"

# QLoRA：4-bit 量化配置
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,
)

# 加载模型
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    quantization_config=bnb_config,
    device_map="auto",
    trust_remote_code=True,
)

# 加载分词器（tokenizer）
tokenizer = AutoTokenizer.from_pretrained(model_name)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "right"

# LoRA 配置
lora_config = LoraConfig(
    r=16,
    lora_alpha=32,
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj",
                    "gate_proj", "up_proj", "down_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM",
)

# 加载数据集
dataset = load_dataset("trl-lib/ultrachat_200k", split="train_sft[:10%]")

# 训练配置
training_config = SFTConfig(
    output_dir="./sft_output",
    num_train_epochs=3,
    per_device_train_batch_size=2,
    gradient_accumulation_steps=4,
    learning_rate=2e-4,
    warmup_ratio=0.05,
    lr_scheduler_type="cosine",
    fp16=False,
    bf16=True,
    max_seq_length=2048,
    dataset_text_field="messages",
    logging_steps=10,
    save_steps=100,
    save_total_limit=3,
    push_to_hub=False,
    report_to="wandb",  # 或者 "none"
)

# 初始化 trainer
trainer = SFTTrainer(
    model=model,
    args=training_config,
    train_dataset=dataset,
    peft_config=lora_config,
    tokenizer=tokenizer,
)

# 训练
trainer.train()
trainer.save_model("./sft_final")

# 运行训练
python3 sft_train.py

---

DPO（直接偏好优化）

DPO 是最受欢迎的对齐方法——无需奖励模型，只需偏好对。

准备 DPO 数据集

# 格式：每个示例包含 'prompt'、'chosen'、'rejected'
from datasets import Dataset

data = [
    {
        "prompt": "Explain how to optimize GPU utilization",
        "chosen": "To optimize GPU utilization: 1) Use larger batch sizes to maximize occupancy, 2) Enable mixed precision (bf16/fp16), 3) Profile with nvidia-smi to identify bottlenecks, 4) Use CUDA streams for parallel operations.",
        "rejected": "Just use more GPUs."
    },
    # … 更多偏好对
]

dataset = Dataset.from_list(data)

DPO 训练脚本

# dpo_train.py
from trl import DPOTrainer, DPOConfig
from transformers import AutoTokenizer, AutoModelForCausalLM
from datasets import load_dataset
import torch

model_name = "./sft_final"  # 从你的 SFT 模型开始！

# 加载 SFT 模型（用于对齐的策略）
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

# 参考模型（SFT 模型的冻结副本）
ref_model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

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

# 加载偏好数据集
dataset = load_dataset("trl-lib/ultrafeedback_binarized", split="train[:5%]")

# DPO 配置
dpo_config = DPOConfig(
    output_dir="./dpo_output",
    num_train_epochs=1,
    per_device_train_batch_size=2,
    gradient_accumulation_steps=4,
    learning_rate=5e-7,           # 比 SFT 低得多
    beta=0.1,                     # KL 惩罚系数
    loss_type="sigmoid",          # 标准 DPO 损失
    max_length=2048,
    max_prompt_length=512,
    bf16=True,
    logging_steps=10,
    save_steps=50,
    report_to="wandb",
)

trainer = DPOTrainer(
    model=model,
    ref_model=ref_model,
    args=dpo_config,
    train_dataset=dataset,
    tokenizer=tokenizer,
)

trainer.train()
trainer.save_model("./dpo_final")

---

PPO（近端策略优化）

PPO 是经典的 RLHF 方法——当你有奖励信号时使用：

# ppo_train.py
from trl import PPOTrainer, PPOConfig, AutoModelForCausalLMWithValueHead
from transformers import AutoTokenizer, pipeline
from datasets import load_dataset
import torch

model_name = "./sft_final"

# 策略模型（带 PPO 的价值头）
model = AutoModelForCausalLMWithValueHead.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
)

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

# 奖励模型（可以是任何评分函数）
sentiment_pipe = pipeline(
    "sentiment-analysis",
    model="distilbert/distilbert-base-uncased-finetuned-sst-2-english",
    device=0,
)

def reward_fn(texts):
    """为每个响应评分。返回奖励张量的列表。"""
    results = sentiment_pipe(texts)
    rewards = []
    for result in results:
        score = result["score"] if result["label"] == "POSITIVE" else -result["score"]
        rewards.append(torch.tensor(score))
    return rewards

ppo_config = PPOConfig(
    output_dir="./ppo_output",
    learning_rate=1.41e-5,
    mini_batch_size=1,
    batch_size=4,
    gradient_accumulation_steps=4,
    kl_penalty="kl",
    target_kl=6.0,
    cliprange=0.2,
    vf_coef=0.1,
)

trainer = PPOTrainer(
    config=ppo_config,
    model=model,
    ref_model=None,  # 自动复制初始模型作为参考
    tokenizer=tokenizer,
)

# 训练循环
dataset = load_dataset("imdb", split="train[:1000]")
for epoch in range(3):
    for batch in trainer.dataloader:
        queries = batch["input_ids"]
        
        # 生成响应
        responses = trainer.generate(queries, max_new_tokens=100)
        
        # 对响应打分
        texts = tokenizer.batch_decode(responses, skip_special_tokens=True)
        rewards = reward_fn(texts)
        
        # PPO 更新
        stats = trainer.step(queries, responses, rewards)
        trainer.log_stats(stats, batch, rewards)

---

GRPO（群体相对策略优化）

GRPO 在 DeepSeek-R1 的推理训练中被使用：

# grpo_train.py
from trl import GRPOTrainer, GRPOConfig
from transformers import AutoTokenizer, AutoModelForCausalLM
from datasets import Dataset
import re, torch

model_name = "Qwen/Qwen2.5-7B-Instruct"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 数学数据集
def make_math_dataset():
    examples = [
        {"prompt": "What is 2+2?", "answer": "4"},
        {"prompt": "What is 15 * 7?", "answer": "105"},
        # … 更多数学题目
    ]
    return Dataset.from_list(examples)

dataset = make_math_dataset()

def correctness_reward(completions, answer, **kwargs):
    """如果答案正确，奖励 1.0，否则 0.0。"""
    rewards = []
    for completion in completions:
        # 从完成内容中提取最终数字
        numbers = re.findall(r'\d+', completion[-1]["content"])
        if numbers and numbers[-1] == answer:
            rewards.append(1.0)
        else:
            rewards.append(0.0)
    return rewards

grpo_config = GRPOConfig(
    output_dir="./grpo_output",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    num_generations=8,       # GRPO 为每个提示生成 G 个响应
    learning_rate=5e-7,
    bf16=True,
    logging_steps=10,
)

trainer = GRPOTrainer(
    model=model,
    args=grpo_config,
    train_dataset=dataset,
    reward_funcs=correctness_reward,
    tokenizer=tokenizer,
)

trainer.train()

---

多 GPU 训练

使用 accelerate 进行分布式训练：

# 为多 GPU 配置 accelerate
accelerate config

# 4 卡的示例配置：
# - compute_environment: LOCAL_MACHINE
# - distributed_type: MULTI_GPU
# - num_processes: 4
# - mixed_precision: bf16

# 在所有 GPU 上启动训练
accelerate launch sft_train.py
accelerate launch dpo_train.py

# 或者显式指定 GPU
CUDA_VISIBLE_DEVICES=0,1,2,3 accelerate launch \
  --num_processes 4 \
  --mixed_precision bf16 \
  sft_train.py

---

使用 TRL CLI

TRL 提供方便的 CLI 命令：

# 通过 CLI 进行 SFT
trl sft \
  --model_name_or_path meta-llama/Llama-3.2-8B-Instruct \
  --dataset_name trl-lib/ultrachat_200k \
  --dataset_text_field messages \
  --output_dir ./cli_sft_output \
  --num_train_epochs 3 \
  --per_device_train_batch_size 2 \
  --gradient_accumulation_steps 4 \
  --learning_rate 2e-4 \
  --bf16 \
  --use_peft \
  --lora_r 16 \
  --lora_alpha 32

# 通过 CLI 进行 DPO
trl dpo \
  --model_name_or_path ./cli_sft_output \
  --dataset_name trl-lib/ultrafeedback_binarized \
  --output_dir ./cli_dpo_output \
  --num_train_epochs 1 \
  --beta 0.1 \
  --bf16

---

监控训练

# 观察 GPU 利用率
watch -n 1 nvidia-smi

# 监控训练损失（如果使用 W&B）
# 在浏览器中打开 https://wandb.ai/your-username

# 检查输出目录中的检查点
ls -lh sft_output/checkpoint-*/

# 从检查点恢复
python3 sft_train.py --resume_from_checkpoint sft_output/checkpoint-500/

---

Clore.ai 的 GPU 建议

TRL 训练是对显存消耗极高的工作负载之一。根据模型大小和方法选择你的 GPU：

任务	GPU	说明（Notes）
7–8B 的 SFT / DPO（QLoRA）	RTX 3090 24 GB	QLoRA 4-bit 大约需要 ~8 GB；可轻松运行；在 Clore.ai 上约 $0.12/小时
7–8B 的 SFT / DPO（LoRA bf16）	RTX 4090 24 GB	与 3090 相同的显存但计算速度约快 30%；非常适合加快迭代速度
7B 的完整 SFT 或 13B 的 DPO	A100 40 GB	40 GB 可容纳 7B 的全精度训练；ECC 内存可避免静默错误
PPO / 7B 的完整微调，或任何 70B QLoRA	A100 80 GB	PPO 需要在显存中同时放置策略模型和参考模型的两份；80 GB 可在不 OOM 的情况下运行两者

实用提示： 在 RTX 3090 上使用 QLoRA 开始实验——在 10K 个示例上训练 Llama 3 8B 大约需要 ~2 小时。一旦验证了流水线，就迁移到 A100 80GB 以进行全精度运行或训练 70B 模型。

速度指标（Llama 3 8B SFT，QLoRA，batch=4，seq=2048）：

• RTX 3090：约 1,100 tokens/sec 的训练吞吐量

• RTX 4090：约 1,450 tokens/sec

• A100 80GB：约 2,800 tokens/sec（全 bf16，无量化）

---

故障排除

CUDA 内存不足（Out of Memory）

# 减小 batch 大小
per_device_train_batch_size=1
gradient_accumulation_steps=16  # 保持有效批量大小不变

# 使用 4 位量化 (QLoRA)
# 添加 BitsAndBytesConfig 并设置 load_in_4bit=True

# 启用梯度检查点（gradient checkpointing）
gradient_checkpointing=True

# 减小序列长度
max_seq_length=1024  # 替代 2048+

# 检查 GPU 内存
nvidia-smi --query-gpu=memory.used,memory.total --format=csv

损失为 NaN

# 常见原因：学习率过高
learning_rate=1e-5  # 尝试更低的值

# 常见原因：数据有问题（空字符串、None 值）
# 验证数据集：
python3 -c "
from datasets import load_from_disk
ds = load_from_disk('data/sft_dataset')
print(ds[0])
print(f'Length: {len(ds)}')
# 检查 None 值
none_count = sum(1 for x in ds if x.get('messages') is None)
print(f'None count: {none_count}')
"

# 启用 bf16 而不是 fp16（更稳定）
bf16=True
fp16=False

DPO： chosen_rewards > rejected_rewards 为 False

# 这意味着模型更偏好被拒绝的回复——可能是过拟合或数据有问题
# 解决方案：
# 1. 检查你的数据集质量
# 2. 降低 beta（减少 KL 惩罚）
# 3. 降低学习率
# 4. 在 DPO 之前增加更多 SFT 训练
beta=0.05  # 尝试更小的值

训练非常慢

# 启用 Flash Attention 2
pip install flash-attn --no-build-isolation

# 在你的代码中：
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    attn_implementation="flash_attention_2",
    torch_dtype=torch.bfloat16,
)

# 在 Ampere 及更高架构的 GPU（A100、RTX 3000+）上使用 bf16 而不是 fp16
bf16=True

# 增加 DataLoader 的 worker 数量
dataloader_num_workers=4

# 检查 GPU 是否真正被使用
nvidia-smi  # 应该显示较高的 GPU 利用率

tokenizer.pad_token 警告

# Llama/Mistral 分词器的标准修复方法
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "right"  # 对训练稳定性很重要

权限被拒绝 / HuggingFace 401

# 重新登录
huggingface-cli login

# 在环境变量中设置 token
export HF_TOKEN=hf_your-token

# 对于私有模型/数据集，确保你有访问权限：
# 访问 https://huggingface.co/meta-llama/Llama-3.2-8B-Instruct
# 点击“请求访问”并接受许可

---

保存并共享你的模型

# 将 LoRA 权重合并到基础模型中
python3 << 'EOF'
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

base_model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-3.2-8B-Instruct",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
model = PeftModel.from_pretrained(base_model, "./sft_final")
merged = model.merge_and_unload()
merged.save_pretrained("./merged_model")

tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-3.2-8B-Instruct")
tokenizer.save_pretrained("./merged_model")
print("已保存合并后的模型！")
EOF

# 推送到 HuggingFace
huggingface-cli upload your-username/my-trl-model ./merged_model

---

有用的链接

• GitHub: https://github.com/huggingface/trl ⭐ 10K+

• 文档: https://huggingface.co/docs/trl

• DPO 论文: https://arxiv.org/abs/2305.18290

• GRPO / DeepSeek-R1: https://arxiv.org/abs/2501.12599

• PPO 论文（RLHF）: https://arxiv.org/abs/2203.02155

• HuggingFace PEFT: https://github.com/huggingface/peft

• Weights & Biases: https://wandb.ai

• Flash Attention: https://github.com/Dao-AILab/flash-attention

• Clore.ai 市场: https://clore.ai/marketplace