REST Resource: tunedModels

{
  "name": string,
  "displayName": string,
  "description": string,
  "state": enum (State),
  "createTime": string,
  "updateTime": string,
  "tuningTask": {
    object (TuningTask)
  },

  // Union field source_model can be only one of the following:
  "tunedModelSource": {
    object (TunedModelSource)
  },
  "baseModel": string
  // End of list of possible types for union field source_model.
  "temperature": number,
  "topP": number,
  "topK": integer
}

string

فقط خروجی نام مدل تنظیم شده. یک نام منحصر به فرد در ایجاد ایجاد می شود. مثال: tunedModels/az2mb0bpw6i اگر displayName روی create تنظیم شده باشد، قسمت id نام با به هم پیوستن کلمات displayName با خط فاصله و افزودن یک بخش تصادفی برای منحصربه‌فرد بودن تنظیم می‌شود. مثال: displayName = "Sentence Translator" name = "tunedModels/sentence-translator-u3b7m"

string

اختیاری. نامی که برای این مدل در رابط های کاربری نمایش داده می شود. نام نمایشی باید حداکثر 40 کاراکتر شامل فاصله باشد.

string

اختیاری. توضیح کوتاهی در مورد این مدل

enum ( State )

فقط خروجی وضعیت مدل تنظیم شده.

string ( Timestamp format)

فقط خروجی مهر زمانی که این مدل ایجاد شد.

مهر زمانی در قالب RFC3339 UTC "Zulu"، با وضوح نانوثانیه و حداکثر نه رقم کسری. مثال‌ها: "2014-10-02T15:01:23Z" و "2014-10-02T15:01:23.045123456Z" .

string ( Timestamp format)

فقط خروجی مهر زمانی که این مدل به روز شد.

مهر زمانی در قالب RFC3339 UTC "Zulu"، با وضوح نانوثانیه و حداکثر نه رقم کسری. مثال‌ها: "2014-10-02T15:01:23Z" و "2014-10-02T15:01:23.045123456Z" .

object ( TuningTask )

ضروری. وظیفه تنظیم که مدل کوک شده را ایجاد می کند.

object ( TunedModelSource )

اختیاری. از TunedModel به عنوان نقطه شروع برای آموزش مدل جدید استفاده کنید.

string

تغییرناپذیر. نام Model برای کوک کردن. مثال: models/text-bison-001

number

اختیاری. تصادفی بودن خروجی را کنترل می کند.

مقادیر می توانند بیش از [0.0,1.0] ، شامل محدوده باشند. مقدار نزدیکتر به 1.0 پاسخ هایی را ایجاد می کند که متنوع تر هستند، در حالی که مقدار نزدیکتر به 0.0 معمولاً منجر به پاسخ های شگفت انگیز کمتری از مدل می شود.

این مقدار پیش‌فرض را مشخص می‌کند که مدل پایه هنگام ایجاد مدل استفاده می‌کند.

number

اختیاری. برای نمونه برداری هسته

نمونه برداری هسته کوچکترین مجموعه ای از نشانه ها را در نظر می گیرد که مجموع احتمال آنها حداقل topP باشد.

این مقدار پیش‌فرض را مشخص می‌کند که مدل پایه هنگام ایجاد مدل استفاده می‌کند.

integer

اختیاری. برای نمونه گیری Top-k.

نمونه گیری Top-k مجموعه ای از محتمل ترین توکن های topK را در نظر می گیرد. این مقدار پیش‌فرض را مشخص می‌کند که در هنگام برقراری تماس با مدل توسط backend استفاده شود.

این مقدار پیش‌فرض را مشخص می‌کند که مدل پایه هنگام ایجاد مدل استفاده می‌کند.

{
  "tunedModel": string,
  "baseModel": string
}

string

تغییرناپذیر. نام TunedModel برای استفاده به عنوان نقطه شروع برای آموزش مدل جدید. مثال: tunedModels/my-tuned-model

string

فقط خروجی نام Model پایه این TunedModel از آن تنظیم شده است. مثال: models/text-bison-001

{
  "startTime": string,
  "completeTime": string,
  "snapshots": [
    {
      object (TuningSnapshot)
    }
  ],
  "trainingData": {
    object (Dataset)
  },
  "hyperparameters": {
    object (Hyperparameters)
  }
}

string ( Timestamp format)

فقط خروجی مهر زمانی که تنظیم این مدل شروع شد.

مهر زمانی در قالب RFC3339 UTC "Zulu"، با وضوح نانوثانیه و حداکثر نه رقم کسری. مثال‌ها: "2014-10-02T15:01:23Z" و "2014-10-02T15:01:23.045123456Z" .

string ( Timestamp format)

فقط خروجی مهر زمانی هنگام تنظیم این مدل تکمیل شد.

مهر زمانی در قالب RFC3339 UTC "Zulu"، با وضوح نانوثانیه و حداکثر نه رقم کسری. مثال‌ها: "2014-10-02T15:01:23Z" و "2014-10-02T15:01:23.045123456Z" .

object ( TuningSnapshot )

فقط خروجی معیارهای جمع آوری شده در طول تنظیم.

object ( Dataset )

ضروری. فقط ورودی تغییرناپذیر. داده های آموزش مدل

object ( Hyperparameters )

تغییرناپذیر. فراپارامترهایی که فرآیند تنظیم را کنترل می کنند. در صورت عدم ارائه، از مقادیر پیش فرض استفاده خواهد شد.

{
  "step": integer,
  "epoch": integer,
  "meanLoss": number,
  "computeTime": string
}

integer

فقط خروجی مرحله تنظیم.

integer

فقط خروجی دوره ای که این مرحله بخشی از آن بود.

number

فقط خروجی میانگین از دست دادن مثال های آموزشی برای این مرحله.

string ( Timestamp format)

فقط خروجی مهر زمانی که این متریک محاسبه شد.

مهر زمانی در قالب RFC3339 UTC "Zulu"، با وضوح نانوثانیه و حداکثر نه رقم کسری. مثال‌ها: "2014-10-02T15:01:23Z" و "2014-10-02T15:01:23.045123456Z" .

{

  // Union field dataset can be only one of the following:
  "examples": {
    object (TuningExamples)
  }
  // End of list of possible types for union field dataset.
}

object ( TuningExamples )

اختیاری. نمونه های درون خطی

{
  "examples": [
    {
      object (TuningExample)
    }
  ]
}

object ( TuningExample )

ضروری. نمونه ها ورودی مثال می تواند برای متن یا بحث باشد، اما همه مثال ها در یک مجموعه باید از یک نوع باشند.

{
  "output": string,

  // Union field model_input can be only one of the following:
  "textInput": string
  // End of list of possible types for union field model_input.
}

string

ضروری. خروجی مدل مورد انتظار

string

اختیاری. ورودی مدل متن

{

  // Union field learning_rate_option can be only one of the following:
  "learningRate": number,
  "learningRateMultiplier": number
  // End of list of possible types for union field learning_rate_option.
  "epochCount": integer,
  "batchSize": integer
}

number

اختیاری. تغییرناپذیر. فراپارامتر نرخ یادگیری برای تنظیم. اگر تنظیم نشود، پیش فرض 0.001 یا 0.0002 بر اساس تعداد نمونه های آموزشی محاسبه می شود.

number

اختیاری. تغییرناپذیر. ضریب نرخ یادگیری برای محاسبه نرخ یادگیری نهایی بر اساس مقدار پیش فرض (توصیه شده) استفاده می شود. نرخ یادگیری واقعی:= LearnRateMultiplier * نرخ یادگیری پیش‌فرض نرخ یادگیری پیش‌فرض به مدل پایه و اندازه مجموعه بستگی دارد. اگر تنظیم نشود، پیش فرض 1.0 استفاده خواهد شد.

integer

تغییرناپذیر. تعداد دوره های آموزشی یک دوره یک گذر از داده های آموزشی است. اگر تنظیم نشده باشد، پیش فرض 5 استفاده خواهد شد.

integer

تغییرناپذیر. فراپارامتر اندازه دسته برای تنظیم. اگر تنظیم نشده باشد، بر اساس تعداد نمونه های آموزشی، از 4 یا 16 پیش فرض استفاده می شود.