前往 ai.google.dev 查看 | 在 Google Colab 中執行 | 前往 GitHub 查看原始碼 |
在本筆記本中,您將瞭解如何透過 Gemini API 適用的 Python 用戶端程式庫開始使用調整服務。本課程將說明如何調整 Gemini API 文字生成服務中的文字模型
事前準備:設定專案和 API 金鑰
呼叫 Gemini API 之前,您必須設定專案並設定 API 金鑰。
設定
設定驗證方法
Gemini API 可讓您根據自己的資料調整模型。由於您是您的資料和調整過的模型,因此需要比 API 金鑰可提供更嚴格的存取權控管。
在執行本教學課程之前,您必須先為專案設定 OAuth。
如要在 Colab 中設定,最簡單的方法是將 client_secret.json
檔案的內容複製到 Colab 的「Secret Manager」(位於左側面板中的金鑰圖示下方),名稱為 CLIENT_SECRET
。
這個 gcloud 指令會將 client_secret.json
檔案轉換成可用於驗證服務的憑證。
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'
安裝用戶端程式庫
pip install -q google-generativeai
匯入程式庫
import google.generativeai as genai
您可以使用 genai.list_tuned_model
方法,查看經過調整的現有模型。
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
建立經過調整的模型
如要建立調整後的模型,您需要透過 genai.create_tuned_model
方法將資料集傳送至模型。方法很簡單,只要在呼叫中直接定義輸入和輸出值,或從檔案匯入至 DataFrame,並傳遞至方法即可。
在本範例中,您將調整模型,以依序產生下一個數字。舉例來說,如果輸入內容是 1
,則模型應輸出 2
。如果輸入內容是 one hundred
,則輸出內容應為 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,
)
調整後的模型會立即新增至調整後的模型清單,但在模型調整期間,狀態會設定為「建立」。
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>
查看調整進度
使用 metadata
檢查狀態:
operation.metadata
total_steps: 375 tuned_model: "tunedModels/generate-num-2946"
等待訓練完成使用 operation.result()
或 operation.wait_bar()
import time
for status in operation.wait_bar():
time.sleep(30)
0%| | 0/375 [00:00<?, ?it/s]
您隨時可以使用 cancel()
方法取消調整工作。取消註解以下這行程式碼,然後執行程式碼儲存格,在工作完成前取消工作。
# operation.cancel()
調整完成後,您可以透過調整結果查看損失曲線。損失曲線會顯示模型預測結果與理想輸出內容之間的差距。
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'>
評估模型
您可以使用 genai.generate_text
方法,並指定模型名稱來測試模型效能。
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'
儘管我們似乎已開始進行工作,儘管範例不多,但「下一個」的概念比較簡單,請參閱調整指南,進一步瞭解如何改善效能。
更新說明
您隨時可以使用 genai.update_tuned_model
方法更新調整後模型的說明。
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.'
刪除模型
您可以刪除不再需要的模型,清理調整後的模型清單。
使用 genai.delete_tuned_model
方法刪除模型。如果您已取消任何調整工作,則可能需要刪除這些工作,因為其效能可能無法預測。
genai.delete_tuned_model(f'tunedModels/{name}')
模型已不存在:
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.