Tutorial për rregullimin e imët

Python REST

Ky udhëzues do t'ju ndihmojë të filloni me shërbimin e akordimit të Gemini API duke përdorur ose Python SDK ose REST API duke përdorur curl . Shembujt tregojnë se si të akordohet modeli i tekstit pas shërbimit të gjenerimit të tekstit API Gemini.

Shikoni në ai.google.dev

Provoni një fletore Colab

Shikoni fletoren në GitHub

Kufizimet

Para se të akordoni një model, duhet të jeni të vetëdijshëm për kufizimet e mëposhtme:

Rregullimi i imët i të dhënave

Rregullimi i saktë i grupeve të të dhënave për Gemini 1.5 Flash kanë kufizimet e mëposhtme:

• Madhësia maksimale e hyrjes për shembull është 40,000 karaktere.
• Madhësia maksimale e daljes për shembull është 5000 karaktere.
• Mbështeten vetëm shembujt e çifteve hyrje-dalje. Bisedat me shumë kthesa të stilit të bisedës nuk mbështeten.

Modele të akorduara

Modelet e akorduara kanë kufizimet e mëposhtme:

• Kufiri i hyrjes së një modeli të akorduar Gemini 1.5 Flash është 40,000 karaktere.
• Modaliteti JSON nuk mbështetet me modelet e sintonizuara.
• Mbështetet vetëm futja e tekstit.

Përpara se të filloni: Vendosni projektin tuaj dhe çelësin API

Përpara se të telefononi Gemini API, duhet të konfiguroni projektin tuaj dhe të konfiguroni çelësin tuaj API.

Listoni modelet e akorduara

Ju mund të kontrolloni modelet tuaja ekzistuese të akorduara me metodën tunedModels.list .

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

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

Krijo një model të akorduar

Për të krijuar një model të sintonizuar, duhet t'i kaloni të dhënat tuaja modelit në metodën tunedModels.create .

Për këtë shembull, ju do të sintonizoni një model për të gjeneruar numrin tjetër në sekuencë. Për shembull, nëse hyrja është 1 , modeli duhet të nxjerrë 2 . Nëse hyrja është one hundred , dalja duhet të jetë 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-1.5-flash-001-tuning',
    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)

Vlerat optimale për numërimin e epokave, madhësinë e grupit dhe shkallën e të mësuarit varen nga grupi juaj i të dhënave dhe kufizimet e tjera të rastit tuaj të përdorimit. Për të mësuar më shumë rreth këtyre vlerave, shihni Cilësimet e akordimit të avancuar dhe Hiperparametrat .

Provoni modelin

Ju mund të përdorni metodën tunedModels.generateContent dhe të specifikoni emrin e modelit të sintonizuar për të testuar performancën e tij.

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

Nuk zbatohet

Disa veçori (raportimi i progresit, përditësimi i përshkrimit dhe fshirja e modeleve të sintonizuara) nuk janë zbatuar ende në SDK-në e re.