v1.5版本

新增DPO(直接偏好优化)方法，DPO通过直接优化语言模型来实现对其行为的精确控制，而无需使用复杂的强化学习，也可以有效学习到人类偏好，DPO相较于RLHF更容易实现且易于训练，效果更好。

提供完整PT+SFT+DPO全阶段串起来训练的pipeline：run_training_dpo_pipeline.ipynb ，其对应的colab： ，运行完大概需要15分钟，我运行成功后的副本colab：

What's Changed

• Update rl_training.py by @dividez in #159
• Update pretraining.py by @anwuzhiab in #167
• Dpo by @shibing624 in #180
• update dpo pynb by @shibing624 in #181

New Contributors

• @dividez made their first contribution in #159
• @anwuzhiab made their first contribution in #167

Full Changelog: 1.4.0...1.5.0