在 ai.google.dev 上查看 | 在 Google Colab 中运行 | 在 GitHub 上查看源代码 |
在此笔记本中,您将了解如何使用适用于 Gemini API 的 Python 客户端库开始使用调优服务。在这里,您将学习如何调整 Gemini API 文本生成服务背后的文本模型。
准备工作:设置您的项目和 API 密钥
在调用 Gemini API 之前,您需要设置项目并配置 API 密钥。
设置
设置身份验证
借助 Gemini API,您可以使用自己的数据对模型进行调参。由于是您的数据和您调整的模型,因此这需要比 API 密钥提供更严格的访问权限控制。
在运行本教程之前,您需要为项目设置 OAuth。
在 Colab 中进行设置的最简单方法是将 client_secret.json
文件的内容复制到 Secret 名称为 CLIENT_SECRET
的 Colab 的“Secret 管理器”(位于左侧面板中的密钥图标下)。
此 gcloud 命令会将 client_secret.json
文件转换为可用于向服务进行身份验证的凭据。
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'
安装客户端库
pip install -q google-generativeai
导入库
import google.generativeai as genai
您可以使用 genai.list_tuned_model
方法检查现有的已调参模型。
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
创建经调参的模型
如需创建经调整的模型,您需要将数据集传递给 genai.create_tuned_model
方法中的模型。为此,您可以直接在调用中定义输入和输出值,或者从文件导入到 DataFrame 以传递给该方法。
在此示例中,您将调整模型以生成序列中的下一个数字。例如,如果输入为 1
,则模型应输出 2
。如果输入为 one hundred
,输出应为 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,
)
您调整后的模型会立即添加到已调整模型列表中,但在模型调整后,其状态会设置为“正在创建”。
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>
检查调参进度
使用 metadata
检查状态:
operation.metadata
total_steps: 375 tuned_model: "tunedModels/generate-num-2946"
使用 operation.result()
或 operation.wait_bar()
等待训练完成
import time
for status in operation.wait_bar():
time.sleep(30)
0%| | 0/375 [00:00<?, ?it/s]
您可以随时使用 cancel()
方法取消调优作业。取消注释下面这行代码,并运行代码单元以在作业完成之前取消作业。
# operation.cancel()
调整完成后,您可以查看调整结果中的损失曲线。损失曲线显示模型的预测与理想输出的偏差程度。
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'>
评估模型
您可以使用 genai.generate_text
方法并指定模型的名称,以测试模型性能。
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'
尽管示例有限,它似乎确实已经完成了该任务,但“下一步”是一个相对简单的概念,请参阅调整指南以获取有关提升性能的更多指导。
更新说明
您可以随时使用 genai.update_tuned_model
方法更新已调参模型的说明。
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.'
删除模型
您可以删除不再需要的模型,以清理已调参模型列表。使用 genai.delete_tuned_model
方法删除模型。如果您取消了任何调整作业,则可能需要删除这些作业,因为它们的性能可能无法预测。
genai.delete_tuned_model(f'tunedModels/{name}')
该模型已不存在:
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.