Gemini 2.0 Flash 試験運用版が利用可能になりました。詳細

このページは Cloud Translation API によって翻訳されました。

ファインチューニングのチュートリアル

このチュートリアルでは、Python SDK または curl を使用して REST API を使用して Gemini API チューニングサービスを開始する方法について説明します。これらの例では、Gemini API テキスト生成サービスの背後にあるテキストモデルをチューニングする方法を示します。

ai.google.dev で表示

Colab ノートブックを試す

GitHub のノートブックを表示

制限事項

モデルをチューニングする前に、次の制限事項に注意してください。

ファインチューニングデータセット

Gemini 1.5 Flash のファインチューニングデータセットには次の制限があります。

1 つの例あたりの最大入力サイズは 40,000 文字です。
例あたりの最大出力サイズは 5,000 文字です。
入出力ペアの例のみがサポートされています。チャット形式のマルチターン会話はサポートされていません。

チューニングされたモデル

チューニング済みモデルには次の制限があります。

チューニング済みの Gemini 1.5 Flash モデルの入力上限は 40,000 文字です。
JSON モードは、チューニング済みモデルではサポートされていません。
テキスト入力のみがサポートされています。

始める前に: プロジェクトと API キーを設定する

Gemini API を呼び出す前に、プロジェクトを設定して API キーを構成する必要があります。

プロジェクトと API キーを設定する方法を表示するには、展開してください

API キーを取得して保護する

Gemini API を呼び出すには API キーが必要です。キーをまだ作成していない場合は、Google AI Studio でキーを作成します。

API キーを取得する

API キーをバージョンにチェックインしないことを強くおすすめします。制御システムです。

API キーは、Google Cloud などのシークレットストアに Secret Manager。

このチュートリアルでは、API キーに環境変数としてアクセスすることを前提としています。

SDK パッケージをインストールして API キーを設定する

Gemini API 用の Python SDK は、 google-generativeai パッケージ。

pip を使用して依存関係をインストールします。
```
pip install -U google-generativeai
```

パッケージをインポートし、API キーを使用してサービスを構成します。

import os
import google.generativeai as genai

genai.configure(api_key=os.environ['API_KEY'])

チューニング済みモデルを一覧表示する

既存のチューニング済みモデルは、 tunedModels.list メソッドを使用します。

import google.generativeai as genai

for model_info in genai.list_tuned_models():
    print(model_info.name)tuned_models.py

チューニング済みモデルの作成

チューニング済みモデルを作成するには、tunedModels.create メソッドでデータセットをモデルに渡す必要があります。

この例では、シーケンスの次の番号を生成するようにモデルをチューニングします。たとえば、入力が 1 の場合、モデルは 2 を出力します。入力が one hundred の場合、出力は one hundred one になります。

import google.generativeai as genai

import time

base_model = "models/gemini-1.5-flash-001-tuning"
training_data = [
    {"text_input": "1", "output": "2"},
    # ... more examples ...
    # ...
    {"text_input": "seven", "output": "eight"},
]
operation = genai.create_tuned_model(
    # You can use a tuned model here too. Set `source_model="tunedModels/..."`
    display_name="increment",
    source_model=base_model,
    epoch_count=20,
    batch_size=4,
    learning_rate=0.001,
    training_data=training_data,
)

for status in operation.wait_bar():
    time.sleep(10)

result = operation.result()
print(result)
# # You can plot the loss curve with:
# snapshots = pd.DataFrame(result.tuning_task.snapshots)
# sns.lineplot(data=snapshots, x='epoch', y='mean_loss')

model = genai.GenerativeModel(model_name=result.name)
result = model.generate_content("III")
print(result.text)  # IVtuned_models.py

エポック数、バッチサイズ、学習率の最適な値は、ユースケースの制約に合わせて調整できます。詳細情報これらの値については、高度なチューニング設定とハイパーパラメータ。

モデルのチューニングにはかなりの時間がかかる可能性があるため、この API はチューニングが完了するまで待機しません。代わりに、チューニングジョブのステータスを確認したり、完了を待機して結果を確認したりできる google.api_core.operation.Operation オブジェクトを返します。

チューニング済みモデルはすぐにチューニング済みモデルのリストに追加されますが、ステータスが「作成中」に設定されます。モデルのチューニングが行われます。

チューニングの進行状況を確認する

wait_bar() を使用して、チューニングオペレーションの進行状況を確認できます。メソッド:

for status in operation.wait_bar():
    time.sleep(10)

operation.metadata を使用してチューニングステップの合計数を確認したり、operation.update() を使用してオペレーションのステータスを更新したりすることもできます。

cancel() メソッドを使用して、いつでもチューニングジョブをキャンセルできます。

operation.cancel()

モデルを試す

tunedModels.generateContent メソッドを使用して、チューニング済みモデルの名前を指定し、そのパフォーマンスをテストできます。

import google.generativeai as genai

model = genai.GenerativeModel(model_name="tunedModels/my-increment-model")
result = model.generate_content("III")
print(result.text)  # "IV"tuned_models.py

説明を更新する

チューニング済みモデルの説明は、genai.update_tuned_model メソッドを使用していつでも更新できます。

genai.update_tuned_model('tunedModels/my-increment-model', {"description":"This is my model."})

モデルを削除する

不要になったモデルを削除して、チューニング済みモデルのリストをクリーンアップできます。tunedModels.delete メソッドを使用して、以下を行います。モデルを削除します。チューニングジョブをキャンセルした場合は、パフォーマンスが予測不能になる可能性があります

genai.delete_tuned_model("tunedModels/my-increment-model")