公司网站建设做分录seo关键词如何设置
原创 快乐王子HP 快乐王子AI说 2025年04月03日 23:54 广东
前面安装了vscode[1]同时也安装了Coninue的相关插件[2]，现在想用它们来阅读一下open-r1项目的代码[3]。
首先，从启动训练开始(以GRPO为例子）
第一步，使用TRL的vLLM后端
CUDA_VISIBLE_DEVICES=0 trl vllm-serve --model deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B第二步，启动GRPO
CUDA_VISIBLE_DEVICES=1,2,3,4,5,6,7 ACCELERATE_LOG_LEVEL=info \ accelerate launch --config_file recipes/accelerate_configs/zero2.yaml --num_processes 7 \ src/open_r1/grpo.py --config recipes/DeepSeek-R1-Distill-Qwen-1.5B/grpo/config_demo.yaml查看vllm的服务启动帮助文档
usage: trl vllm-serve [-h] --model MODEL [--revision REVISION] [--tensor_parallel_size TENSOR_PARALLEL_SIZE] [--host HOST] [--port PORT] [--gpu_memory_utilization GPU_MEMORY_UTILIZATION] [--dtype DTYPE] [--max_model_len MAX_MODEL_LEN] [--enable_prefix_caching ENABLE_PREFIX_CACHING]关于zero2.yaml文件
（https://github.com/huggingface/open-r1/blob/main/recipes/accelerate_configs/zero2.yaml）
1.核心配置:- 使用 DeepSpeed 的 Zero Stage 2 优化 (zero_stage: 2)- 混合精度训练采用 bf16 (mixed_precision: bf16)- 单机 8 GPU 训练 (num_machines: 1, num_processes: 8)2.Zero Stage 2 特点:- 优化器状态分区，减少内存占用- 没有启用参数或优化器卸载 (offload_optimizer_device: none, offload_param_device: none)- 比 Stage 3 内存效率稍低，但通信开销更小3.硬件配置:- 纯 GPU 训练 (use_cpu: false)- 不涉及 TPU (tpu_* 相关配置均为 false)- 适合具有 8 个 GPU 的单个节点4.使用场景:- 中等规模模型训练- 当 GPU 内存足够容纳模型参数和激活值时- 需要比 Zero Stage 1 更高的内存效率，但不想承受 Stage 3 的通信开销5.性能考虑:- bf16 混合精度可以在支持它的硬件上提供良好的训练速度和内存效率- 8 个 GPU 的配置适合大多数单节点服务器这个配置文件适合在单个多 GPU 节点上训练中等规模模型，在内存效率和通信开销之间取得平衡。
recipes/DeepSeek-R1-Distill-Qwen-1.5B/grpo/config_demo.yaml文件分析
（https://github.com/huggingface/open-r1/blob/main/recipes/DeepSeek-R1-Distill-Qwen-1.5B/grpo/config_demo.yaml）
1.模型架构:- 基于1.5B参数的蒸馏版Qwen模型- 使用Flash Attention 2优化注意力计算- bfloat16混合精度训练2.训练策略:- 采用GRPO(可能是一种强化学习优化算法)训练方法- 结合三种奖励函数:准确性、格式正确性和标签计数- 使用vLLM加速推理过程3.数据处理:- 专门设计的复杂对话模板- 数学领域专用数据集(OpenR1-Math-220k)- 要求模型以和标签分步输出4.资源利用:- 梯度检查点和梯度累积优化显存使用- 适中的batch size(16)和上下文长度(512/2048)5.监控与部署:- 完整的训练日志记录(W&B)- 模型自动推送至HuggingFace Hub- 严格的模型保存策略
grpo.py文件
（https://github.com/huggingface/open-r1/blob/main/src/open_r1/grpo.py）
```mermaidgraph TDA[开始] --> B[设置随机种子]B --> C[配置日志系统]C --> D[检查检查点]D --> E[初始化WandB]E --> F[加载数据集]F --> G[加载tokenizer]G --> H[获取奖励函数]H --> I[格式化对话数据]I --> J[初始化模型参数]J --> K[创建GRPOTrainer]K --> L{是否有检查点?}L -- 是 --> M[从检查点恢复训练]L -- 否 --> N[开始新训练]M --> O[训练模型]N --> OO --> P[保存模型和指标]P --> Q{是否评估?}Q -- 是 --> R[执行评估]Q -- 否 --> SR --> S[保存评估结果]S --> T{是否推送至Hub?}T -- 是 --> U[推送模型]T -- 否 --> V[结束]U --> V```
rewards.py
（https://github.com/huggingface/open-r1/blob/main/src/open_r1/rewards.py）
结合医学场景来探索
def medical_accuracy_reward(response: str, golden_answer: str) -> float:"""评估医学准确性，需要与标准医学答案对比"""# 这里可以集成医学知识库或NLP模型进行专业评估medical_terms_score = calculate_medical_terms_match(response, golden_answer)treatment_score = evaluate_treatment_correctness(response, golden_answer)return 0.6 * medical_terms_score + 0.4 * treatment_scoredef safety_reward(response: str) -> float:"""安全性评估：检查是否有危险建议"""dangerous_keywords = ["自行停药", "未经医生", "高剂量", "随意服用"]for keyword in dangerous_keywords:if keyword in response:return 0.0 # 发现危险建议直接0分return 1.0def citation_reward(response: str) -> float:"""参考文献引用评估"""citation_formats = ["[1]", "(Smith et al., 2020)", "根据最新指南"]return 1.0 if any(fmt in response for fmt in citation_formats) else 0.5def patient_language_reward(response: str) -> float:"""患者友好语言评估"""complex_terms = ["病理学", "分子机制", "流行病学"]simplified_explanations = ["简单说", "通俗理解", "换句话说"]complex_count = sum(term in response for term in complex_terms)simple_count = sum(term in response for term in simplified_explanations)if complex_count == 0:return 1.0return simple_count / (complex_count + 1) # 确保至少解释了部分复杂术语def empathy_reward(response: str) -> float:"""同理心评估"""empathy_keywords = ["理解您", "不用担心", "建议咨询", "我们会帮助"]return min(1.0, 0.2 * sum(kw in response for kw in empathy_keywords))
参考：
[1]vscode安装：https://mp.weixin.qq.com/s/FvqSUrJFFXSVxFpZ6Q2-jg
[2]vscode上安装Coninue的相关插件：
https://mp.weixin.qq.com/s/cD-BHkCWQxfeedL3eboaBA
[3]open-r1项目：https://mp.weixin.qq.com/s/BDDUe1RyIVutucUVA9Yuzg，https://github.com/huggingface/open-r1]