Ver em ai.google.dev | Executar no Google Colab | Consulte o código-fonte no GitHub |
Neste notebook, você aprenderá os primeiros passos para o serviço de ajuste usando a biblioteca de cliente Python para a API Gemini. Aqui você aprenderá a ajustar o modelo de texto por trás do serviço de geração de texto da API Gemini.
Configuração
Autenticar
A API Gemini permite ajustar modelos com base nos seus próprios dados. Como são seus dados e modelos ajustados, é necessário ter controles de acesso mais rigorosos do que as chaves de API podem fornecer.
Antes de executar este tutorial, é preciso configurar o OAuth para seu projeto.
No Colab, a maneira mais fácil de configurar é copiar o conteúdo do arquivo client_secret.json
para o "Gerenciador de secrets" (no ícone de chave no painel esquerdo) com o nome de secret CLIENT_SECRET
.
Esse comando gcloud transforma o arquivo client_secret.json
em credenciais que podem ser usadas para autenticação com o serviço.
import os
if 'COLAB_RELEASE_TAG' in os.environ:
from google.colab import userdata
import pathlib
pathlib.Path('client_secret.json').write_text(userdata.get('CLIENT_SECRET'))
# Use `--no-browser` in colab
!gcloud auth application-default login --no-browser --client-id-file client_secret.json --scopes='https://www.googleapis.com/auth/cloud-platform,https://www.googleapis.com/auth/generative-language.tuning'
else:
!gcloud auth application-default login --client-id-file client_secret.json --scopes='https://www.googleapis.com/auth/cloud-platform,https://www.googleapis.com/auth/generative-language.tuning'
Instale a biblioteca cliente
pip install -q google-generativeai
Importar bibliotecas
import google.generativeai as genai
É possível verificar os modelos ajustados atuais com o método genai.list_tuned_model
.
for i, m in zip(range(5), genai.list_tuned_models()):
print(m.name)
tunedModels/my-model-8527 tunedModels/my-model-7092 tunedModels/my-model-2778 tunedModels/my-model-1298 tunedModels/my-model-3883
Criar modelo ajustado
Para criar um modelo ajustado, é necessário transmitir seu conjunto de dados para o modelo no método genai.create_tuned_model
. Você pode fazer isso definindo diretamente os valores de entrada e saída na chamada ou importando de um arquivo para um dataframe para passar para o método.
Neste exemplo, você vai ajustar um modelo para gerar o próximo número na sequência. Por exemplo, se a entrada for 1
, o modelo vai gerar 2
como saída. Se a entrada for one hundred
, a saída precisará ser one hundred one
.
base_model = [
m for m in genai.list_models()
if "createTunedModel" in m.supported_generation_methods][0]
base_model
Model(name='models/gemini-1.0-pro-001', base_model_id='', version='001', display_name='Gemini 1.0 Pro', description=('The best model for scaling across a wide range of tasks. This is a stable ' 'model that supports tuning.'), input_token_limit=30720, output_token_limit=2048, supported_generation_methods=['generateContent', 'countTokens', 'createTunedModel'], temperature=0.9, top_p=1.0, top_k=1)
import random
name = f'generate-num-{random.randint(0,10000)}'
operation = genai.create_tuned_model(
# You can use a tuned model here too. Set `source_model="tunedModels/..."`
source_model=base_model.name,
training_data=[
{
'text_input': '1',
'output': '2',
},{
'text_input': '3',
'output': '4',
},{
'text_input': '-3',
'output': '-2',
},{
'text_input': 'twenty two',
'output': 'twenty three',
},{
'text_input': 'two hundred',
'output': 'two hundred one',
},{
'text_input': 'ninety nine',
'output': 'one hundred',
},{
'text_input': '8',
'output': '9',
},{
'text_input': '-98',
'output': '-97',
},{
'text_input': '1,000',
'output': '1,001',
},{
'text_input': '10,100,000',
'output': '10,100,001',
},{
'text_input': 'thirteen',
'output': 'fourteen',
},{
'text_input': 'eighty',
'output': 'eighty one',
},{
'text_input': 'one',
'output': 'two',
},{
'text_input': 'three',
'output': 'four',
},{
'text_input': 'seven',
'output': 'eight',
}
],
id = name,
epoch_count = 100,
batch_size=4,
learning_rate=0.001,
)
O modelo ajustado é imediatamente adicionado à lista de modelos ajustados, mas o status é definido como "criando" enquanto o modelo é ajustado.
model = genai.get_tuned_model(f'tunedModels/{name}')
model
TunedModel(name='tunedModels/generate-num-2946', source_model='models/gemini-1.0-pro-001', base_model='models/gemini-1.0-pro-001', display_name='', description='', temperature=0.9, top_p=1.0, top_k=1, state=<State.CREATING: 1>, create_time=datetime.datetime(2024, 2, 21, 20, 4, 16, 448050, tzinfo=datetime.timezone.utc), update_time=datetime.datetime(2024, 2, 21, 20, 4, 16, 448050, tzinfo=datetime.timezone.utc), tuning_task=TuningTask(start_time=datetime.datetime(2024, 2, 21, 20, 4, 16, 890698, tzinfo=datetime.timezone.utc), complete_time=None, snapshots=[], hyperparameters=Hyperparameters(epoch_count=100, batch_size=4, learning_rate=0.001)))
model.state
<State.CREATING: 1>
Verificar progresso do ajuste
Use metadata
para verificar o estado:
operation.metadata
total_steps: 375 tuned_model: "tunedModels/generate-num-2946"
Aguarde o término do treinamento usando operation.result()
ou operation.wait_bar()
.
import time
for status in operation.wait_bar():
time.sleep(30)
0%| | 0/375 [00:00<?, ?it/s]
É possível cancelar o job de ajuste a qualquer momento usando o método cancel()
. Remova a marca de comentário da linha abaixo e execute a célula de código para cancelar o job antes de ele terminar.
# operation.cancel()
Quando o ajuste for concluído, será possível visualizar a curva de perda nos resultados do ajuste. A curva de perda mostra quanto as previsões do modelo se desviam dos resultados ideais.
import pandas as pd
import seaborn as sns
model = operation.result()
snapshots = pd.DataFrame(model.tuning_task.snapshots)
sns.lineplot(data=snapshots, x = 'epoch', y='mean_loss')
<Axes: xlabel='epoch', ylabel='mean_loss'>
avalie o modelo
É possível usar o método genai.generate_text
e especificar o nome do modelo para testar o desempenho dele.
model = genai.GenerativeModel(model_name=f'tunedModels/{name}')
result = model.generate_content('55')
result.text
'56'
result = model.generate_content('123455')
result.text
'123456'
result = model.generate_content('four')
result.text
'five'
result = model.generate_content('quatre') # French 4
result.text # French 5 is "cinq"
'cinq'
result = model.generate_content('III') # Roman numeral 3
result.text # Roman numeral 4 is IV
'IV'
result = model.generate_content('七') # Japanese 7
result.text # Japanese 8 is 八!
'八'
Apesar dos poucos exemplos, parece ter entendido a tarefa. No entanto, "próximo" é um conceito simples. Consulte o guia de ajuste para mais orientações sobre como melhorar o desempenho.
Atualizar a descrição
Você pode atualizar a descrição do seu modelo ajustado a qualquer momento usando o método genai.update_tuned_model
.
genai.update_tuned_model(f'tunedModels/{name}', {"description":"This is my model."});
model = genai.get_tuned_model(f'tunedModels/{name}')
model.description
'This is my model.'
Excluir o modelo
É possível limpar a lista de modelos ajustados excluindo os que não são mais necessários. Use o método genai.delete_tuned_model
para excluir um modelo. Se você cancelou algum job de ajuste, talvez seja uma boa ideia excluí-lo, porque o desempenho deles pode ser imprevisível.
genai.delete_tuned_model(f'tunedModels/{name}')
O modelo não existe mais:
try:
m = genai.get_tuned_model(f'tunedModels/{name}')
print(m)
except Exception as e:
print(f"{type(e)}: {e}")
<class 'google.api_core.exceptions.NotFound'>: 404 Tuned model tunedModels/generate-num-2946 does not exist.