本文主要介绍了 Text2SQL 的基本概念，以及 RLHF 的概念和框架，最后结合 DB-GPT-Hub 项目，将 RLHF 方法应用于 Text2SQL 任务进行实践探索。
本章主要对 Text2SQL 的基本定义、使用的开源数据集和评测指标做了介绍，同时也介绍了一些实践项目，供大家参考。
Text-to-SQL（简写为Text2SQL），顾名思义就是把文本转化为 SQL 语言，更学术一点的定义是：把数据库领域下的自然语言（Natural Language，简写为 NL）问题，转化为在关系型数据库中可以执行的结构化查询语言（Structured Query Language，简写为 SQL），因此 Text2SQL 也可以被简写为 NL2SQL。
举个例子比较直观：
输入：自然语言问题。
查询表t_user的所有信息，结果按id降序排序，只保留前10个数据
输出：SQL语句。
SELECT * FROM t_user ORDER BY id DESC LIMIT 10
实验：如图1所示，在 DB-GPT 项目中，直接使用原生对话，使用 Proxy LLM（GPT-3.5）提问上述问题，大模型可以准确给出 SQL 答案，这也是因为 LLM 本身语言理解能力强大，同时提问的自然语言问题比较 easy。
公开的 Text2SQL 数据集比较多，这里仅介绍目前使用较多的几个数据集：
WikiSQL | 2017年9月，Salesforce 提出的一个大型的 Text-to-SQL 数据集，数据来源于 Wikipedia，属于单领域，包含了 80654 个自然语言问题，77840 个 SQL 语句，SQL 语句形式比较简单，不包含排序、分组、子查询等复杂操作 |
Spider | 2018年9月，耶鲁大学提出的多数据库、多表、单轮查询的 Text-to-SQL 数据集，也是业界公认难度最大的大规模跨领域评测榜单，包含了 10181 个自然语言问题，5693 个 SQL 语句，涉及 138 个不同领域的 200 多个数据库，难易程度分为：简单、中等、困难、特别困难。 |
CoSQL | 2019年9月, 耶鲁大学和 Salesforce Research 提出了一种跨域数据库 CoSQL，它由 30k+ 轮次和 10k+ 带注释的 SQL 查询组成，这些查询是从 Wizard-of-Oz (WOZ) 集合中获得的，该集合包含 3k 个对话，查询跨越 13 个域的 200 个复杂数据库。 |
CHASE | 2021年8月，西安交通大学和微软等提出了首个跨领域、多轮 Text-to-SQL 中文数据集，包含了 5459 个多轮问题组成的列表，17940 个<query, SQL>二元组。 |
BIRD-SQL | 2023年5月，香港大学和阿里巴巴提出了一个大规模跨域数据集 BIRD，其中包含超过 12751 个独特的问题 SQL、95 个大数据库，总大小为 33.4 GB。它还涵盖区块链、曲棍球、医疗保健和教育等超过 37 个专业领域。 |
以 Spider 数据集为例：主要有两个指标，分别是执行准确率（Execution Accuracy，简称EX）和逻辑形式准确率（Exact Match，简称EM)
EX | 计算 SQL 执行结果正确的数量在数据集中的比例，结果存在高估的可能。 |
EM | 计算模型生成的 SQL 和标注 SQL 的匹配程度，结果存在低估的可能。 |
在 DB-GPT 社区的子项目 Awesome-Text2SQL 项目中，列举了常见的数据以及对应的指标榜单，如图 2 所示，比如 Spider 数据集上，目前 EX 得分第一是 MiniSeek 组织提交的 91.2，EM 得分第一也是 MiniSeek 提交的 81.5，因为运用了 GPT-4 以及一些其他的 trick，所以得分最高。
Text2SQL 研究主要有基于模版和匹配的方法、基于 Seq2Seq 框架的方法和基于模型预训练的方法，随着 LLM 的崛起，如今利用 LLM 微调完成 Text2SQL 任务也越来越常见，比如在 DB-GPT-Hub 项目中，就实现了利用各种开源模型在 Spider 数据集上进行 lora 和 qlora 方法微调，亲测好用！（方法详情可以参考代码仓库）
本章主要介绍了 RLHF 的基本定义，以及介绍了强化学习的基础概念和 RLHF 框架。
RLHF：Reinforcement Learning from Human Feedback，通过强化学习方式方式根据人类反馈优化语言模型，使得在一般文本数据语料库的语言模型能够和复杂人类价值观对齐。
RL：指的是 Reinforcement learning。
强化学习是一种机器学习方法，旨在通过智能体（agent）与环境（environment）的交互学习如何在动态环境中做出决策（action）以最大化累积回报（reward）。在强化学习中，智能体通过观察环境的状态、采取行动和接收奖励来学习与环境的交互。智能体的目标是通过学习最优的策略（policy），在不断尝试和调整中，使得长期累积的奖励最大化。
强化学习最早在游戏中应用比较多。
为了更好理解强化学习，我们可以先了解一下比较常见的有监督学习（Supervised Learning, SL）。对于有监督学习而言，模型完整的训练 pipline 通常可以分成如图 3 所示：
输入标注好的数据 labeled data（有标签 ground truth+ 原始数据）
输出训练好的模型
输入初始化的环境 environment
environment
agent
state
reward
action
policy: 策略。定义了 agent 如何根据当前的 state 来做出 action。策略主要可以分为 on-policy 和 off-policy。
On-policy | 学习到的 agent 以及和环境进行互动的 agent 是同一个 agent ，比如 PPO 算法（eg:你在打游戏，你在实战中变强。） |
Off-policy | 学习到的 agent 以及和环境进行互动的 agent 是不同的 agent，比如 DQN 算法（eg: 你在看直播，你在观摩中变强。) |
RLHF 方法最早是在 2017 年论文（Deep reinforcement learning from human preferences）提出。
在 2020 年的论文（Learning to summarize from human feedback）中 RM 训练使用了交叉熵损失。
在 2023 年 3 月 OpenAI 发表的论文（Training language models to follow instructions with human feedback）中进一步提供了 RLHF 实现的标准范式（论文中训练的模型为 InstructGPT，ChatGPT 是改进后的 InstructGPT，比如 InstructGPT 是基于 GPT-3 训练，而 ChatGPT 是基于 GPT-3.5 训练），如图 5 所示。
RLHF 主要流程有3步：
第一阶段：SFT
Supervised Fine-tuning 有监督微调，简称为 SFT。这是 InstructGPT（ChatGPT 等）训练过程中的一个重要步骤，主要采用有监督的方式对预训练的 LLM 进行微调，这个方法比较依赖于标注的数据，SFT 数据集标注质量越高（质量不等同于数据），模型的效果越好。
之前听一个大学教授的讲座，有个观点很有意思：Open AI 做大模型为什么比谷歌强，因为包括 transformer 在内的一些创新模型大多是谷歌研究的，那为什么 Open AI 在大模型领域为什么比谷歌强？答：因为 Open AI 在数据清洗，数据质量把控这方面做的很好。——所以数据是相当重要的！
第二阶段：RM
Reward Model 奖励模型训练，是 InstructGPT 训练过程的第二阶段，它的目标是训练一个模型来适应人类的偏好（这里主要是标注人员的偏好）。在 RM 训练阶段，输入 prompt，会使 LLM 生成多个响应 response，然后标注人员对这些响应进行排名，根据这些排名训练一个奖励模型。
第三阶段：RL
Reinforcement Learning，是 InstructGPT 训练中的最后步骤，主要是通过 PPO 策略（proximal policy optimization 近端策略优化）迭代，它通过引入奖励信号来调整模型的行为，使模型生成的内容更符合人类的偏好。输入一个标注数据，模型经过 PPO 输出一个 response ,然后 RM 模型对 response 打分,最后根据打分 score 更新 PPO 策略。
本章节主要结合 DB-GPT-Hub 项目代码以及一些 RLHF 代码对 Text2SQL 进行了实践探索。
SFT 模块的实现主要参考 DB-GPT-Hub，比如在 Spider 数据集上进行实现。
数据预处理
sh dbgpt_hub/scripts/gen_train_eval_data.sh
经过数据预处理后，可以得到 example_text2sql_train.json 和 example_text2sql_dev.json
数据格式
db_id-instruction-input-output-history
{"db_id": "department_management","instruction": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n\n","input": "###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","output": "SELECT count(*) FROM head WHERE age > 56","history": []}
最终经过代码后会形成为这样的格式：prompt-output
{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","output": "SELECT count(*) FROM head WHERE age > 56"}
训练
sh dbgpt_hub/scripts/train_sft.sh
训练的基础大模型为 CodeLlama-13b-instruct，训练的参数如下所示：
CUDA_VISIBLE_DEVICES=0 python dbgpt_hub/train/sft_train.py \--model_name_or_path home/model/CodeLlama-13B-Instruct \--do_train \--dataset example_text2sql_train \--max_source_length 2048 \--max_target_length 512 \--template llama2 \--finetuning_type lora \--lora_rank 64 \--lora_alpha 32 \--lora_target q_proj,v_proj \--output_dir dbgpt_hub/output/adapter/CodeLlama-13B-Instruct-lora \--overwrite_cache \--overwrite_output_dir \--per_device_train_batch_size 1 \--gradient_accumulation_steps 16 \--lr_scheduler_type cosine_with_restarts \--logging_steps 500 \--save_steps 2000 \--learning_rate 2e-4 \--num_train_epochs 8 \--plot_loss \--bf16
预测
sh dbgpt_hub/scripts/predict_sft.sh
预测完成后，会生成一个 predict.sql 文件，文件中存放了 dev 集合中 1034 个 sql.
评估
测试的库为 ts 库
python dbgpt_hub/eval/evaluation.py --plug_value --input Your_model_pred_file
评估过程如下所示：会对每一个 sql 进行对比，对错误的 sql 进行打印输出展示。
EX-0.746
RM
RM 模型训练的模型以 SFT 阶段的模型为基础，参考微软代码进行训练（Hub 项目近期也会增加RLHF功能，敬请期待），自行构建了少量 Text2SQL 的 RM 训练数据集用于测试训练。
数据格式
prompy-chosen-rejected chosen就是在SFT阶段的ground truth rejected就是模型的错误输出结果
{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","chosen": "SELECT count(*) FROM head WHERE age > 56","rejected":"SELECT COUNT(head_name) FROM head WHERE age > 56;"}
训练
比如训练 10 个 epoch 的训练结果如下：
deepspeed --num_gpus=$n_gpu \main.py \--data_path $data_path \--data_split 2,4,4 \--model_name_or_path $model_name_or_path \--per_device_train_batch_size 8 \--per_device_eval_batch_size 8 \--max_seq_len 1024 \--learning_rate 9.65e-6 \--weight_decay 0.1 \--num_padding_at_beginning 0 \--num_train_epochs 10 \--gradient_accumulation_steps 1 \--lr_scheduler_type cosine \--num_warmup_steps 0 \--seed 1234 \--gradient_checkpointing \--zero_stage $ZERO_STAGE \--deepspeed \--offload \--lora_dim 128 \--lora_module_name "layers." \--output_dir $OUTPUT \2>&1 | tee $OUTPUT/log.txt
结果
config.json
log.txt
pytorch_model.bin
tokenizer.model
RM
数据格式
prompt-otput
{"prompt": "I want you to act as a SQL terminal in front of an example database, you need only to return the sql command to me.Below is an instruction that describes a task, Write a response that appropriately completes the request.\n\"\n##Instruction:\ndepartment_management contains tables such as department, head, management. Table department has columns such as Department_ID, Name, Creation, Ranking, Budget_in_Billions, Num_Employees. Department_ID is the primary key.\nTable head has columns such as head_ID, name, born_state, age. head_ID is the primary key.\nTable management has columns such as department_ID, head_ID, temporary_acting. department_ID is the primary key.\nThe head_ID of management is the foreign key of head_ID of head.\nThe department_ID of management is the foreign key of Department_ID of department.\n###Input:\nHow many heads of the departments are older than 56 ?\n\n###Response:","output": "SELECT count(*) FROM head WHERE age > 56"}
SFT 模型即为上面训练的 SFT 模型 RM 模型即为上面训练的 RM 模型
训练 10epoch
deepspeed --master_port 12346 main.py \--data_path $data_path \--data_split 2,4,4 \--actor_model_name_or_path $ACTOR_MODEL_PATH \--critic_model_name_or_path $CRITIC_MODEL_PATH \--num_padding_at_beginning 1 \--per_device_generation_batch_size 8 \--per_device_training_batch_size 8 \--generation_batches 1 \--ppo_epochs 1 \--max_answer_seq_len 256 \--max_prompt_seq_len 1024 \--actor_learning_rate ${Actor_Lr} \--critic_learning_rate ${Critic_Lr} \--actor_weight_decay 0.1 \--critic_weight_decay 0.1 \--num_train_epochs 10 \--lr_scheduler_type cosine \--gradient_accumulation_steps 1 \--actor_gradient_checkpointing \--critic_gradient_checkpointing \--offload_reference_model \--disable_actor_dropout \--num_warmup_steps 100 \--deepspeed --seed 1234 \--actor_zero_stage $ACTOR_ZERO_STAGE \--critic_zero_stage $CRITIC_ZERO_STAGE \--enable_hybrid_engine \--actor_lora_dim 64 \--critic_lora_dim 64 \--critic_lora_module_name "layers." \--actor_lora_module_name "layers." \--output_dir $OUTPUT \2>&1 | tee $OUTPUT/log.txt
训练结束
结果
训练结束会得到两个模型，actor 模型即为需要的最终评测模型。
验证
验证得到的模型
EX-0.752
EM-0.717
可以发现的是，RLHF 相比 SFT 方法，精度有轻微提升，主要是数据质量的问题，后续还可以进一步探索。
本文来自于征文大赛，作者 junewgl，可以点击「阅读原文」跳转查看原文。
https://github.com/eosphoros-ai/DB-GPT
https://github.com/eosphoros-ai/DB-GPT-Hub
https://github.com/eosphoros-ai/DB-GPT-Web
