บทแนะนำการปรับแต่ง

บทแนะนำนี้จะช่วยให้คุณเริ่มต้นใช้งานบริการการปรับแต่ง Gemini API ได้โดยใช้ Python SDK หรือ REST API โดยใช้ curl ตัวอย่างแสดงวิธีปรับแต่งโมเดลข้อความที่อยู่เบื้องหลังบริการสร้างข้อความของ Gemini API

ดูใน ai.google.dev

ลองใช้ Colab Notebook

ดูสมุดบันทึกใน GitHub

ข้อจำกัด

ก่อนที่จะปรับแต่งโมเดล คุณควรทราบข้อจํากัดต่อไปนี้

การปรับแต่งชุดข้อมูล

การปรับแต่งชุดข้อมูลสําหรับ Gemini 1.5 Flash มีข้อจํากัดต่อไปนี้

ขนาดอินพุตสูงสุดต่อตัวอย่างคือ 40,000 อักขระ
ขนาดเอาต์พุตสูงสุดต่อตัวอย่างคือ 5,000 อักขระ
ระบบรองรับเฉพาะตัวอย่างคู่อินพุต-เอาต์พุตเท่านั้น ไม่รองรับการสนทนาแบบหลายรอบในลักษณะแชท

โมเดลที่ปรับแต่งแล้ว

โมเดลที่ปรับแต่งมีข้อจํากัดต่อไปนี้

ขีดจํากัดของข้อมูลที่ป้อนของรุ่น Gemini 1.5 Flash ที่ปรับแต่งแล้วคือ 40,000 อักขระ
โมเดลที่ปรับแต่งแล้วไม่รองรับโหมด JSON
รองรับเฉพาะการป้อนข้อความ

ก่อนเริ่มต้น: ตั้งค่าโปรเจ็กต์และคีย์ API

คุณต้องตั้งค่าโปรเจ็กต์และกำหนดค่าคีย์ API ก่อนเรียกใช้ Gemini API

ขยายเพื่อดูวิธีตั้งค่าโปรเจ็กต์และคีย์ API

รับและรักษาคีย์ API ให้ปลอดภัย

คุณต้องมีคีย์ API เพื่อเรียกใช้ Gemini API หากยังไม่มี ให้สร้างคีย์ใน Google AI Studio

รับคีย์ API

เราขอแนะนำอย่างยิ่งให้คุณไม่ตรวจสอบคีย์ API ในระบบควบคุมเวอร์ชัน

คุณควรจัดเก็บคีย์ API ในที่เก็บข้อมูลลับ เช่น Secret Manager ของ Google Cloud

บทแนะนํานี้จะถือว่าคุณกําลังเข้าถึงคีย์ API เป็นตัวแปรสภาพแวดล้อม

ติดตั้งแพ็กเกจ SDK และกำหนดค่าคีย์ API

Python SDK สําหรับ Gemini API จะอยู่ในแพ็กเกจ google-genai

ติดตั้งการอ้างอิงโดยใช้ pip
```
pip install -U google-genai
```
ใส่คีย์ API ในตัวแปรสภาพแวดล้อม GOOGLE_API_KEY ดังนี้
```
export GOOGLE_API_KEY="YOUR_KEY_HERE"
```
สร้าง API Client ซึ่งจะรับคีย์จากสภาพแวดล้อม
```
import google.generativeai as genai

client = genai.Client()
```

แสดงรายการโมเดลที่ปรับแต่งแล้ว

คุณสามารถตรวจสอบโมเดลที่ปรับแต่งที่มีอยู่ด้วยวิธี tunedModels.list

from google import genai
client = genai.Client() # Get the key from the GOOGLE_API_KEY env variable

for model_info in client.models.list():
    print(model_info.name)

สร้างโมเดลที่ปรับแต่งแล้ว

หากต้องการสร้างโมเดลที่ปรับแต่งแล้ว คุณต้องส่งชุดข้อมูลไปยังโมเดลในเมธอด tunedModels.create

ในตัวอย่างนี้ คุณจะปรับแต่งโมเดลเพื่อสร้างตัวเลขถัดไปในลําดับ เช่น หากอินพุตคือ 1 โมเดลควรแสดงผลเป็น 2 หากป้อน one hundred เอาต์พุตควรเป็น one hundred one

# create tuning model
training_dataset =  [
    ["1", "2"],
    ["3", "4"],
    ["-3", "-2"],
    ["twenty two", "twenty three"],
    ["two hundred", "two hundred one"],
    ["ninety nine", "one hundred"],
    ["8", "9"],
    ["-98", "-97"],
    ["1,000", "1,001"],
    ["10,100,000", "10,100,001"],
    ["thirteen", "fourteen"],
    ["eighty", "eighty one"],
    ["one", "two"],
    ["three", "four"],
    ["seven", "eight"],
]
training_dataset=types.TuningDataset(
        examples=[
            types.TuningExample(
                text_input=i,
                output=o,
            )
            for i,o in training_dataset
        ],
    )
tuning_job = client.tunings.tune(
    base_model='models/gemini-1.0-pro-001',
    training_dataset=training_dataset,
    config=types.CreateTuningJobConfig(
        epoch_count= 5,
        batch_size=4,
        learning_rate=0.001,
        tuned_model_display_name="test tuned model"
    )
)

# generate content with the tuned model
response = client.models.generate_content(
    model=tuning_job.tuned_model.model,
    contents='III',
)

print(response.text)

ค่าที่เหมาะสมที่สุดสำหรับจำนวนศักราช ขนาดกลุ่ม และอัตราการเรียนรู้จะขึ้นอยู่กับชุดข้อมูลและข้อจำกัดอื่นๆ ของกรณีการใช้งาน ดูข้อมูลเพิ่มเติมเกี่ยวกับค่าเหล่านี้ได้ที่การตั้งค่าการปรับแต่งขั้นสูงและไฮเปอร์พารามิเตอร์

ลองใช้โมเดล

คุณสามารถใช้เมธอด tunedModels.generateContent และระบุชื่อโมเดลที่ปรับแต่งเพื่อทดสอบประสิทธิภาพได้

response = client.models.generate_content(
    model=tuning_job.tuned_model.model,
    contents='III'
)

ไม่ได้ใช้

ฟีเจอร์บางอย่าง (การรายงานความคืบหน้า การอัปเดตคําอธิบาย และการลบโมเดลที่ปรับแต่ง) ยังไม่พร้อมใช้งานใน SDK ใหม่