为了理解 DeepSpeed-Chat RLHF 的 RLHF 全部过程，这个系列会分三篇文章分别介绍： 原始 PPO 代码解读RLHF 奖励函数代码解读RLHF PPO 代码解读 这是系列的第一篇文章，我们来一步一步的看 PPO 算法的代码实现，对于 PPO 算法原理不太了解的同学，可以参考之前的文章：
- 深度强化学习（DRL）算法 2 ------ PPO 之 Clipped Surrogate Objective 篇 - 掘金 (juejin.cn)
- 深度强化学习（DRL）算法 2 ------ PPO 之 GAE 篇 - 掘金 (juejin.cn)
Clipped Surrogate 函数实现
python
# code from cleanrl: https://github.com/vwxyzjn/cleanrl/blob/master/cleanrl/ppo.py
for start in range(0, args.batch_size, args.minibatch_size):
end = start + args.minibatch_size
mb_inds = b_inds[start:end]
_, newlogprob, entropy, newvalue = agent.get_action_and_value(b_obs[mb_inds], b_actions.long()[mb_inds])
logratio = newlogprob - b_logprobs[mb_inds]
ratio = logratio.exp()
mb_advantages = b_advantages[mb_inds]
if args.norm_adv:
mb_advantages = (mb_advantages - mb_advantages.mean()) / (mb_advantages.std() + 1e-8)
# Policy loss
pg_loss1 = -mb_advantages * ratio
pg_loss2 = -mb_advantages * torch.clamp(ratio, 1 - args.clip_coef, 1 + args.clip_coef)
pg_loss = torch.max(pg_loss1, pg_loss2).mean()Clipped Surrogate 函数的实现很简单，这里不再赘述，理解算法原理，代码自然而然就可以看懂，核心是 get_action_and_value 函数的理解。
python
def get_action_and_value(self, x, action=None):
logits = self.actor(x)
# probs 相当于计算 softmax
probs = Categorical(logits=logits)
if action is None:
action = probs.sample()
# probs.log_prob(action) 计算的是 p(a|s) 的 log 形式，方便计算 Clipped Surrogate 函数里的 ratio
return action, probs.log_prob(action), probs.entropy(), self.critic(x) GAE 实现
直接来看 gae 可能比较抽象，我们先来看蒙特卡洛方法实现的优势估计，对蒙特卡洛方法不熟悉的同学，可以参考之前的文章。 深度强化学习（DRL）算法 附录 3 ------ 蒙特卡洛方法（MC）和时序差分（TD） - 掘金 (juejin.cn) 两种方法都采用了反向迭代（因为反向迭代更好计算）的方式来实现优势估计。
python
# code from cleanrl: https://github.com/vwxyzjn/cleanrl/commit/b7088a41e5e6f0f5f6940fd29054a35118083b28
last_value = agent.get_value(next_obs.to(device)).reshape(1, -1)
returns = torch.zeros_like(rewards).to(device)
for t in reversed(range(args.num_steps)):
if t == args.num_steps - 1:
nextnonterminal = 1.0 - next_done
next_return = last_value
else:
nextnonterminal = 1.0 - dones[t+1]
next_return = returns[t+1]
returns[t] = rewards[t] + args.gamma * nextnonterminal * next_return
advantages = returns - values上面的代码做了什么事情呢，last_value 对应最后的 step（对应 step t） 产生的期望回报，如果 step t-1 整个流程没有结束，那么 t-1 时刻的期望回报就是 reward(t-1) + args.gamma * nextnonterminal * next_return，这样一步一步往后推，就可以计算每一个 step 的期望回报，从而得到每一步的优势，还没理解的话，看下面每个时间步的拆解。关于 last_value 的使用，这里由于没有后续的回报可以累积，所以直接使用 last_value 作为最后一个时间步的回报。关于下面为啥用 returnt-1 替换原始公式的 valuet-1，这样计算的话就相当于蒙特卡洛方法的优势估计，如果next_return = returnst+1 改成 next_value = valuest+1 就相当于 TD(1) 的优势估计。
python
# t
return(t) = v(t)
# t - 1
return(t-1) = reward(t-1) + gamma * return(t) = reward(t-1) + gamma * return(t)
# t - 2
return(t-2) = reward(t-2) + gamma * return(t-1) = reward(t-2) + gamma * (reward(t-1) + gamma * return(t))
......
# 我们可以看到一步一步往前推，最后就得到蒙特卡洛方法的优势估计理解了上面讲的蒙特卡洛方法实现的优势估计，再来看 gae 的实现，我们可以看到代码实现上十分的相似，只是多了 delta 的计算，这里的 delta 对应的就是之前 PPO GAE 篇里介绍的 delta。
python
# code from cleanrl: https://github.com/vwxyzjn/cleanrl/commit/b7088a41e5e6f0f5f6940fd29054a35118083b28
last_value = agent.get_value(next_obs.to(device)).reshape(1, -1)
advantages = torch.zeros_like(rewards).to(device)
lastgaelam = 0
for t in reversed(range(args.num_steps)):
if t == args.num_steps - 1:
nextnonterminal = 1.0 - next_done
nextvalues = last_value
else:
nextnonterminal = 1.0 - dones[t+1]
nextvalues = values[t+1]
delta = rewards[t] + args.gamma * nextvalues * nextnonterminal - values[t]
advantages[t] = lastgaelam = delta + args.gamma * args.gae_lambda * nextnonterminal * lastgaelam
returns = advantages + values这里通过反向迭代的方式计算 GAE advantage，可能理解上比较抽象，举个例子，就很好理解了：
python
# advantage(t)
adv[t] = lastgaelam = rewards[t] + gamma * values[t+1] - values[t]
# t-1
adv[t-1] = lastgaelam = rewards[t-1] + gamma * values[t] - values[t-1] + gamma * lambda * lastgaelam
# t-2
adv[t-2] = lastgaelam = rewards[t-2] + gamma * values[t-1] - values[t-2] + gamma * lambda * lastgaelam
...可以看到，逐项展开，每一时刻的 GAE Advantage 和 PPO GAE 篇里介绍的公式是一模一样的，这里 GAE 就是一种数学公式表达，核心思想是 n step 的优势估计的加权平均，通过数学技巧恰好是上面的形式。