 Wyświetl na ai.google.dev
|
 Uruchom w Google Colab
|
 Wyświetl źródło w GitHubie
|
Z tego notatnika dowiesz się, jak zacząć korzystać z usługi dostrajania z użyciem biblioteki klienta Pythona dla interfejsu Gemini API. Dowiesz się z niego, jak dostroić model tekstowy, który stoi za usługą generowania tekstu Gemini API.
Zanim zaczniesz: skonfiguruj projekt i klucz interfejsu API
Zanim wywołasz Gemini API, musisz skonfigurować projekt i klucz interfejsu API.
Konfiguracja
Konfigurowanie uwierzytelniania
Interfejs Gemini API umożliwia dostrajanie modeli na podstawie własnych danych. Ponieważ to Twoje dane i dostrojone modele, wymaga to bardziej rygorystycznej kontroli dostępu niż klucz API.
Zanim uruchomisz ten samouczek, musisz skonfigurować OAuth w swoim projekcie.
Najprostszym sposobem na skonfigurowanie Colab jest skopiowanie zawartości pliku client_secret.json do funkcji „Menedżer obiektów tajnych” w Colab (pod ikoną klucza w lewym panelu) i podanie nazwy obiektu tajnego: CLIENT_SECRET.
To polecenie gcloud przekształca plik client_secret.json w dane logowania, które można wykorzystać do uwierzytelniania w usłudze.
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'
Instalowanie biblioteki klienta
pip install -q google-generativeai
Importuj biblioteki
import google.generativeai as genai
Istniejące dostrojone modele możesz sprawdzać za pomocą metody genai.list_tuned_model.
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
Utwórz model dostrojony
Aby utworzyć model dostrojony, musisz przekazać do niego zbiór danych za pomocą metody genai.create_tuned_model. Możesz to zrobić, bezpośrednio określając wartości wejściowe i wyjściowe w wywołaniu lub importując dane z pliku do ramki DataFrame, aby je przekazać do metody.
W tym przykładzie dostroisz model tak, aby wygenerować kolejną liczbę w sekwencji. Jeśli na przykład dane wejściowe to 1, model powinien zwrócić 2. Jeśli dane wejściowe to one hundred, dane wyjściowe powinny mieć wartość 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,
)
Dostrojony model zostanie natychmiast dodany do listy dostrojonych modeli, ale podczas dostrajania jego stan zmieni się na „Tworzenie”.
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>
Sprawdź postęp dostrajania
Użyj elementu metadata, aby sprawdzić stan:
operation.metadata
total_steps: 375 tuned_model: "tunedModels/generate-num-2946"
Poczekaj, aż trenowanie dobiegnie końca, używając operation.result() lub operation.wait_bar()
import time
for status in operation.wait_bar():
time.sleep(30)
0%| | 0/375 [00:00<?, ?it/s]
Zadanie dostrajania możesz anulować w dowolnym momencie przy użyciu metody cancel(). Usuń znacznik komentarza z wiersza poniżej i uruchom komórkę z kodem, aby anulować zadanie, zanim się zakończy.
# operation.cancel()
Po zakończeniu dostrajania możesz wyświetlić krzywą utraty w wynikach dostrajania. Krzywa straty pokazuje, w jakim stopniu prognozy modelu odbiegają od idealnych danych wyjściowych.
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'>
Ocenianie modelu
Aby przetestować jego wydajność, możesz użyć metody genai.generate_text i podać nazwę modelu.
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'
Wygląda na to, że zadanie wykonało pomimo ograniczonych przykładów, ale koncepcja „next” jest stosunkowo prosta. Więcej informacji o zwiększaniu skuteczności znajdziesz w przewodniku dostrajania.
Zaktualizuj opis
Opis dostrojonego modelu możesz zaktualizować w dowolnym momencie przy użyciu metody genai.update_tuned_model.
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.'
Usuwanie modelu
Listę dostrojonych modeli możesz wyczyścić, usuwając modele, których już nie potrzebujesz.
Aby usunąć model, użyj metody genai.delete_tuned_model. Jeśli anulujesz zadania dostrajania, możesz je usunąć, ponieważ ich wydajność może być nieprzewidywalna.
genai.delete_tuned_model(f'tunedModels/{name}')
Model już nie istnieje:
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.