Gemini 1.5 Flash की कीमत में कमी, सभी डेवलपर के लिए बेहतर ऐक्सेस वगैरह! ज़्यादा जानें

इस पेज का अनुवाद Cloud Translation API से किया गया है.

एम्बेड करके गड़बड़ी की पहचान करना

ai.google.dev पर देखें

Colab notebook को आज़माएं

GitHub पर notebook देखें

खास जानकारी

इस ट्यूटोरियल में बताया गया है कि अपने डेटासेट में आउटलायर का पता लगाने के लिए, Gemini API के साथ एम्बेड की गई फ़ाइलों का इस्तेमाल कैसे किया जा सकता है. आपको t-SNE का इस्तेमाल करके, 20 न्यूज़ग्रुप डेटासेट के एक सबसेट को विज़ुअलाइज़ करना है. साथ ही, हर कैटगरी के क्लस्टर के सेंट्रल पॉइंट के खास दायरे से बाहर, आउटलायर का पता लगाना है.

Gemini API से जनरेट किए गए एम्बेड करने की सुविधा का इस्तेमाल शुरू करने के बारे में ज़्यादा जानने के लिए, Python क्विकस्टार्ट लेख पढ़ें.

ज़रूरी शर्तें

इस क्विकस्टार्ट को Google Colab में चलाया जा सकता है.

अपने डेवलपमेंट एनवायरमेंट में इस क्विकस्टार्ट को पूरा करने के लिए, पक्का करें कि आपका एनवायरमेंट इन शर्तों को पूरा करता हो:

Python 3.9 और उसके बाद के वर्शन
नोटबुक को चलाने के लिए jupyter को इंस्टॉल किया गया.

सेटअप

सबसे पहले, Gemini API की Python लाइब्रेरी को डाउनलोड और इंस्टॉल करें.

pip install -U -q google.generativeai

import re
import tqdm
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

import google.generativeai as genai

# Used to securely store your API key
from google.colab import userdata

from sklearn.datasets import fetch_20newsgroups
from sklearn.manifold import TSNE

कोई एपीआई पासकोड पाएं

Gemini API का इस्तेमाल करने से पहले, आपको एपीआई पासकोड हासिल करना होगा. अगर आपके पास पहले से कोई बटन नहीं है, तो Google AI Studio में बस एक क्लिक करके बटन बनाएं.

एपीआई पासकोड पाएं

Colab में, "GIF" में जाकर सीक्रेट मैनेजर में कुंजी जोड़ें क्लिक करें. इसे API_KEY नाम दें.

एपीआई पासकोड मिलने के बाद, उसे SDK टूल को भेजें. आप इसे दो तरीकों से कर सकते हैं:

कुंजी को GOOGLE_API_KEY एनवायरमेंट वैरिएबल में डालें. SDK टूल इसे वहां से अपने-आप चुन लेगा.
कुंजी को genai.configure(api_key=...) को पास करें

genai.configure(api_key=GOOGLE_API_KEY)

for m in genai.list_models():
  if 'embedContent' in m.supported_generation_methods:
    print(m.name)

models/embedding-001
models/embedding-001

डेटासेट तैयार करें

20 न्यूज़ग्रुप टेक्स्ट डेटासेट में, 20 विषयों पर 18,000 न्यूज़ग्रुप पोस्ट हैं. इन्हें ट्रेनिंग और टेस्ट सेट में बांटा गया है. ट्रेनिंग और टेस्ट डेटासेट के बीच का बंटवारा, किसी खास तारीख से पहले और उसके बाद पोस्ट किए गए मैसेज के हिसाब से होता है. इस ट्यूटोरियल में ट्रेनिंग के सबसेट का इस्तेमाल किया गया है.

newsgroups_train = fetch_20newsgroups(subset='train')

# View list of class names for dataset
newsgroups_train.target_names

['alt.atheism',
 'comp.graphics',
 'comp.os.ms-windows.misc',
 'comp.sys.ibm.pc.hardware',
 'comp.sys.mac.hardware',
 'comp.windows.x',
 'misc.forsale',
 'rec.autos',
 'rec.motorcycles',
 'rec.sport.baseball',
 'rec.sport.hockey',
 'sci.crypt',
 'sci.electronics',
 'sci.med',
 'sci.space',
 'soc.religion.christian',
 'talk.politics.guns',
 'talk.politics.mideast',
 'talk.politics.misc',
 'talk.religion.misc']

ट्रेनिंग सेट का पहला उदाहरण यहां दिया गया है.

idx = newsgroups_train.data[0].index('Lines')
print(newsgroups_train.data[0][idx:])

Lines: 15

 I was wondering if anyone out there could enlighten me on this car I saw
the other day. It was a 2-door sports car, looked to be from the late 60s/
early 70s. It was called a Bricklin. The doors were really small. In addition,
the front bumper was separate from the rest of the body. This is 
all I know. If anyone can tellme a model name, engine specs, years
of production, where this car is made, history, or whatever info you
have on this funky looking car, please e-mail.

Thanks,

- IL
   ---- brought to you by your neighborhood Lerxst ----

# Apply functions to remove names, emails, and extraneous words from data points in newsgroups.data
newsgroups_train.data = [re.sub(r'[\w\.-]+@[\w\.-]+', '', d) for d in newsgroups_train.data] # Remove email
newsgroups_train.data = [re.sub(r"\([^()]*\)", "", d) for d in newsgroups_train.data] # Remove names
newsgroups_train.data = [d.replace("From: ", "") for d in newsgroups_train.data] # Remove "From: "
newsgroups_train.data = [d.replace("\nSubject: ", "") for d in newsgroups_train.data] # Remove "\nSubject: "

# Cut off each text entry after 5,000 characters
newsgroups_train.data = [d[0:5000] if len(d) > 5000 else d for d in newsgroups_train.data]

# Put training points into a dataframe
df_train = pd.DataFrame(newsgroups_train.data, columns=['Text'])
df_train['Label'] = newsgroups_train.target
# Match label to target name index
df_train['Class Name'] = df_train['Label'].map(newsgroups_train.target_names.__getitem__)

df_train

इसके बाद, ट्रेनिंग वाले डेटासेट में 150 डेटा पॉइंट लेकर और कुछ कैटगरी चुनकर, कुछ डेटा का सैंपल लें. इस ट्यूटोरियल में विज्ञान की कैटगरी का इस्तेमाल किया गया है.

# Take a sample of each label category from df_train
SAMPLE_SIZE = 150
df_train = (df_train.groupby('Label', as_index = False)
                    .apply(lambda x: x.sample(SAMPLE_SIZE))
                    .reset_index(drop=True))

# Choose categories about science
df_train = df_train[df_train['Class Name'].str.contains('sci')]

# Reset the index
df_train = df_train.reset_index()
df_train

df_train['Class Name'].value_counts()

sci.crypt          150
sci.electronics    150
sci.med            150
sci.space          150
Name: Class Name, dtype: int64

एम्बेड करना

इस सेक्शन में, आपको Gemini API से एम्बेड की गई चीज़ों का इस्तेमाल करके, डेटाफ़्रेम में अलग-अलग टेक्स्ट के लिए एम्बेड करने की प्रोसेस जनरेट करने का तरीका बताया गया है.

मॉडल एम्बेडिंग-001 के साथ एम्बेड करने के लिए एपीआई में बदलाव

एम्बेड करने के नए मॉडल, एम्बेडिंग-001 के लिए, एक नया टास्क टाइप पैरामीटर और वैकल्पिक टाइटल उपलब्ध है. यह सिर्फ़ Task_type=RETRIEVAL_DOCUMENT के साथ मान्य होता है.

ये नए पैरामीटर, एम्बेड करने के सबसे नए मॉडल पर ही लागू होते हैं.ये टास्क इस तरह के हैं:

टास्क किस तरह का है	ब्यौरा
RETRIEVAL_QUERY	तय करता है कि दिया गया टेक्स्ट, खोज/वापस पाने की सेटिंग में क्वेरी है.
RETRIEVAL_DOCUMENT	तय करता है कि दिया गया टेक्स्ट, खोज/वापस पाने की सेटिंग में मौजूद दस्तावेज़ है.
SEMANTIC_SIMILARITY	इससे पता चलता है कि दिए गए टेक्स्ट का इस्तेमाल, सिमैंटिक टेक्स्ट वाली समानता (STS) के लिए किया जाएगा.
वर्गीकरण	इससे पता चलता है कि एम्बेड करने की सुविधा का इस्तेमाल, कैटगरी तय करने के लिए किया जाएगा.
क्लस्टरिंग	इससे पता चलता है कि एम्बेड करने की सुविधा का इस्तेमाल, क्लस्टर बनाने के लिए किया जाएगा.

from tqdm.auto import tqdm
tqdm.pandas()

from google.api_core import retry

def make_embed_text_fn(model):

  @retry.Retry(timeout=300.0)
  def embed_fn(text: str) -> list[float]:
    # Set the task_type to CLUSTERING.
    embedding = genai.embed_content(model=model,
                                    content=text,
                                    task_type="clustering")['embedding']
    return np.array(embedding)

  return embed_fn

def create_embeddings(df):
  model = 'models/embedding-001'
  df['Embeddings'] = df['Text'].progress_apply(make_embed_text_fn(model))
  return df

df_train = create_embeddings(df_train)
df_train.drop('index', axis=1, inplace=True)

0%|          | 0/600 [00:00<?, ?it/s]

डाइमेंशन में कमी

दस्तावेज़ एम्बेड करने वाले वेक्टर का डाइमेंशन 768 है. एम्बेड किए गए दस्तावेज़ों को एक साथ ग्रुप करने के तरीके को विज़ुअलाइज़ करने के लिए, आपको डाइमेंशनलिटी रिडक्शन को लागू करना होगा. इसकी वजह यह है कि एम्बेड को सिर्फ़ 2D या 3D स्पेस में विज़ुअलाइज़ किया जा सकता है. संदर्भ के हिसाब से एक जैसे दस्तावेज़, स्पेस में एक-दूसरे के ज़्यादा करीब होने चाहिए. हालांकि, एक जैसे दो दस्तावेज़ नहीं होने चाहिए.

len(df_train['Embeddings'][0])

# Convert df_train['Embeddings'] Pandas series to a np.array of float32
X = np.array(df_train['Embeddings'].to_list(), dtype=np.float32)
X.shape

(600, 768)

डाइमेंशनिकिटी में कमी करने के लिए, टी-डिस्ट्रिब्यूटेड स्टॉकास्टिक नेबर एम्बेडिंग (t-SNE) अप्रोच को लागू किया जाएगा. यह तकनीक डाइमेंशन की संख्या कम करती है, जबकि क्लस्टर (एक-दूसरे के पास मौजूद पॉइंट एक-दूसरे के पास रहते हैं) को सुरक्षित रखा जाता है. ओरिजनल डेटा के लिए, मॉडल ऐसा डिस्ट्रिब्यूशन बनाने की कोशिश करता है जिसमें अन्य डेटा पॉइंट "पड़ोसी" हों (उदाहरण के लिए, उनका एक जैसा मतलब होता है). इसके बाद, यह विज़ुअलाइज़ेशन में एक जैसा डिस्ट्रिब्यूशन बनाए रखने के लिए मकसद फ़ंक्शन को ऑप्टिमाइज़ करता है.

tsne = TSNE(random_state=0, n_iter=1000)
tsne_results = tsne.fit_transform(X)

df_tsne = pd.DataFrame(tsne_results, columns=['TSNE1', 'TSNE2'])
df_tsne['Class Name'] = df_train['Class Name'] # Add labels column from df_train to df_tsne
df_tsne

fig, ax = plt.subplots(figsize=(8,6)) # Set figsize
sns.set_style('darkgrid', {"grid.color": ".6", "grid.linestyle": ":"})
sns.scatterplot(data=df_tsne, x='TSNE1', y='TSNE2', hue='Class Name', palette='Set2')
sns.move_legend(ax, "upper left", bbox_to_anchor=(1, 1))
plt.title('Scatter plot of news using t-SNE')
plt.xlabel('TSNE1')
plt.ylabel('TSNE2');

png

आउटलायर डिटेक्शन

यह पता लगाने के लिए कि कौनसे पॉइंट असामान्य हैं, आपको पता चलेगा कि कौनसे पॉइंट इनलायर और आउटलायर हैं. केंद्रक, या उस स्थान को ढूंढें जो समूह के केंद्र को दर्शाता है, और दूरी का उपयोग करके आउटलेयर्स बिंदु निर्धारित करें.

हर कैटगरी का सेंट्रोइड हासिल करके शुरुआत करें.

def get_centroids(df_tsne):
  # Get the centroid of each cluster
  centroids = df_tsne.groupby('Class Name').mean()
  return centroids

centroids = get_centroids(df_tsne)
centroids

def get_embedding_centroids(df):
  emb_centroids = dict()
  grouped = df.groupby('Class Name')
  for c in grouped.groups:
    sub_df = grouped.get_group(c)
    # Get the centroid value of dimension 768
    emb_centroids[c] = np.mean(sub_df['Embeddings'], axis=0)

  return emb_centroids

emb_c = get_embedding_centroids(df_train)

आपको मिले हर सेंट्रोइड की तुलना बाकी पॉइंट से करें.

# Plot the centroids against the cluster
fig, ax = plt.subplots(figsize=(8,6)) # Set figsize
sns.set_style('darkgrid', {"grid.color": ".6", "grid.linestyle": ":"})
sns.scatterplot(data=df_tsne, x='TSNE1', y='TSNE2', hue='Class Name', palette='Set2');
sns.scatterplot(data=centroids, x='TSNE1', y='TSNE2', color="black", marker='X', s=100, label='Centroids')
sns.move_legend(ax, "upper left", bbox_to_anchor=(1, 1))
plt.title('Scatter plot of news using t-SNE with centroids')
plt.xlabel('TSNE1')
plt.ylabel('TSNE2');

png

दायरा चुनें. कैटगरी के सेंट्रोइड से बाहर की किसी भी सीमा को आउटलायर माना जाता है.

def calculate_euclidean_distance(p1, p2):
  return np.sqrt(np.sum(np.square(p1 - p2)))

def detect_outlier(df, emb_centroids, radius):
  for idx, row in df.iterrows():
    class_name = row['Class Name'] # Get class name of row
    # Compare centroid distances
    dist = calculate_euclidean_distance(row['Embeddings'],
                                        emb_centroids[class_name])
    df.at[idx, 'Outlier'] = dist > radius

  return len(df[df['Outlier'] == True])

range_ = np.arange(0.3, 0.75, 0.02).round(decimals=2).tolist()
num_outliers = []
for i in range_:
  num_outliers.append(detect_outlier(df_train, emb_c, i))

# Plot range_ and num_outliers
fig = plt.figure(figsize = (14, 8))
plt.rcParams.update({'font.size': 12})
plt.bar(list(map(str, range_)), num_outliers)
plt.title("Number of outliers vs. distance of points from centroid")
plt.xlabel("Distance")
plt.ylabel("Number of outliers")
for i in range(len(range_)):
  plt.text(i, num_outliers[i], num_outliers[i], ha = 'center')

plt.show()

png

गड़बड़ी की पहचान करने वाले टूल को कितना संवेदनशील बनाना है, इसके आधार पर आपके पास यह चुनने का विकल्प होता है कि आपको किस दायरे का इस्तेमाल करना है. फ़िलहाल, 0.62 का इस्तेमाल किया जाता है, लेकिन आपके पास इस वैल्यू को बदलने का विकल्प है.

# View the points that are outliers
RADIUS = 0.62
detect_outlier(df_train, emb_c, RADIUS)
df_outliers = df_train[df_train['Outlier'] == True]
df_outliers.head()

# Use the index to map the outlier points back to the projected TSNE points
outliers_projected = df_tsne.loc[df_outliers['Outlier'].index]

पारदर्शी लाल रंग का इस्तेमाल करके, आउटलेयर को प्लॉट करें और उनकी व्याख्या करें.

fig, ax = plt.subplots(figsize=(8,6)) # Set figsize
plt.rcParams.update({'font.size': 10})
sns.set_style('darkgrid', {"grid.color": ".6", "grid.linestyle": ":"})
sns.scatterplot(data=df_tsne, x='TSNE1', y='TSNE2', hue='Class Name', palette='Set2');
sns.scatterplot(data=centroids, x='TSNE1', y='TSNE2', color="black", marker='X', s=100, label='Centroids')
# Draw a red circle around the outliers
sns.scatterplot(data=outliers_projected, x='TSNE1', y='TSNE2', color='red', marker='o', alpha=0.5, s=90, label='Outliers')
sns.move_legend(ax, "upper left", bbox_to_anchor=(1, 1))
plt.title('Scatter plot of news with outliers projected with t-SNE')
plt.xlabel('TSNE1')
plt.ylabel('TSNE2');

png

हर कैटगरी में आउटलायर कैसे दिख सकते हैं, इसके कुछ उदाहरण प्रिंट करने के लिए, dataफ़ैम की इंडेक्स वैल्यू का इस्तेमाल करें. यहां, हर कैटगरी का पहला डेटा पॉइंट प्रिंट किया जाता है. आउटलेयर या अनियमितताओं के तौर पर माने जाने वाला डेटा देखने के लिए, हर कैटगरी के अन्य पॉइंट एक्सप्लोर करें.

sci_crypt_outliers = df_outliers[df_outliers['Class Name'] == 'sci.crypt']
print(sci_crypt_outliers['Text'].iloc[0])

Re: Source of random bits on a Unix workstation
Lines: 44
Nntp-Posting-Host: sandstorm

>>For your application, what you can do is to encrypt the real-time clock
>>value with a secret key.

Well, almost.... If I only had to solve the problem for myself, and were
willing to have to type in a second password  whenever I
logged in, it could work. However, I'm trying to create a solution that
anyone can use, and which, once installed, is just as effortless to start up
as the non-solution of just using xhost to control access. I've got
religeous problems with storing secret keys on multiuser computers.

>For a good discussion of cryptographically "good" random number
>generators, check out the draft-ietf-security-randomness-00.txt
>Internet Draft, available at your local friendly internet drafts
>repository.

Thanks for the pointer! It was good reading, and I liked the idea of using
several unrelated sources with a strong mixing function. However, unless I
missed something, the only source they suggested 
that seems available, and unguessable by an intruder, when a Unix is
fresh-booted, is I/O buffers related to network traffic. I believe my
solution basically uses that strategy, without requiring me to reach into
the kernel.

>A reasonably source of randomness is the output of a cryptographic
>hash function , when fed with a large amount of
>more-or-less random data. For example, running MD5 on /dev/mem is a
>slow, but random enough, source of random bits; there are bound to be
>128 bits of entropy in the tens  of megabytes of data in
>a modern workstation's memory, as a fair amount of them are system
>timers, i/o buffers, etc.

I heard about this solution, and it sounded good. Then I heard that folks
were experiencing times of 30-60 seconds to run this, on
reasonably-configured workstations. I'm not willing to add that much delay
to someone's login process. My approach  takes
a second or two to run. I'm considering writing the be-all and end-all of
solutions, that launches the MD5, and simultaneously tries to suck bits off
the net, and if the net should be sitting __SO__ idle that it can't get 10K
after compression before MD5 finishes, use the MD5. This way I could have
guaranteed good bits, and a deterministic upper bound on login time, and
still have the common case of login take only a couple of extra seconds.

-Bennett

sci_elec_outliers = df_outliers[df_outliers['Class Name'] == 'sci.electronics']
print(sci_elec_outliers['Text'].iloc[0])

Re: Laser vs Bubblejet?
Reply-To: 
Distribution: world
X-Mailer: cppnews \\(Revision: 1.20 \\)
Organization: null
Lines: 53

Here is a different viewpoint.

> FYI:  The actual horizontal dot placement resoution of an HP
> deskjet is 1/600th inch.  The electronics and dynamics of the ink
> cartridge, however, limit you to generating dots at 300 per inch.
> On almost any paper, the ink wicks more than 1/300th inch anyway.
> 
> The method of depositing and fusing toner of a laster printer
> results in much less spread than ink drop technology.

In practice there is little difference in quality but more care is needed 
with inkjet because smudges etc. can happen.

> It doesn't take much investigation to see that the mechanical and
> electronic complement of a laser printer is more complex than
> inexpensive ink jet printers.  Recall also that laser printers
> offer a much higher throughput:  10 ppm for a laser versus about 1
> ppm for an ink jet printer.

A cheap laser printer does not manage that sort of throughput and on top of 
that how long does the _first_ sheet take to print? Inkjets are faster than 
you say and in both cases the computer often has trouble keeping up with the 
printer. 

A sage said to me: "Do you want one copy or lots of copies?", "One", 
"Inkjet".
 
> Something else to think about is the cost of consumables over the
> life of the printer.  A 3000 page yield toner cartridge is about
> $US 75-80 at discount while HP high capacity 
> cartridges are about $US 22 at discount.  It could be that over the
> life cycle of the printer that consumables for laser printers are
> less than ink jet printers.  It is getting progressively closer
> between the two technologies.  Laser printers are usually desinged
> for higher duty cycles in pages per month and longer product
> replacement cycles.

Paper cost is the same and both can use refills. Long term the laserprinter 
will need some expensive replacement parts  and on top of that 
are the amortisation costs which favour the lowest purchase cost printer.

HP inkjets understand PCL so in many cases a laserjet driver will work if the 
software package has no inkjet driver. 

There is one wild difference between the two printers: a laserprinter is a 
page printer whilst an inkjet is a line printer. This means that a 
laserprinter can rotate graphic images whilst an inkjet cannot. Few drivers 
actually use this facility.


  TC. 
    E-mail:  or

sci_med_outliers = df_outliers[df_outliers['Class Name'] == 'sci.med']
print(sci_med_outliers['Text'].iloc[0])

Re: THE BACK MACHINE - Update
Organization: University of Nebraska--Lincoln 
Lines: 15
Distribution: na
NNTP-Posting-Host: unlinfo.unl.edu

   I have a BACK MACHINE and have had one since January.  While I have not 
found it to be a panacea for my back pain, I think it has helped somewhat. 
It MAINLY acts to stretch muscles in the back and prevent spasms associated
with pain.  I am taking less pain medication than I was previously.  
   The folks at BACK TECHNOLOGIES are VERY reluctant to honor their return 
policy.  They extended my "warranty" period rather than allow me to return 
the machine when, after the first month or so, I was not thrilled with it. 
They encouraged me to continue to use it, abeit less vigourously. 
   Like I said, I can't say it is a cure-all, but it keeps me stretched out
and I am in less pain.
--
***********************************************************************
Dale M. Webb, DVM, PhD           *  97% of the body is water.  The
Veterinary Diagnostic Center     *  other 3% keeps you from drowning.
University of Nebraska, Lincoln  *

sci_space_outliers = df_outliers[df_outliers['Class Name'] == 'sci.space']
print(sci_space_outliers['Text'].iloc[0])

MACH 25 landing site bases?
Article-I.D.: aurora.1993Apr5.193829.1
Organization: University of Alaska Fairbanks
Lines: 7
Nntp-Posting-Host: acad3.alaska.edu

The supersonic booms hear a few months ago over I belive San Fran, heading east
of what I heard, some new super speed Mach 25 aircraft?? What military based
int he direction of flight are there that could handle a Mach 25aircraft on its
landing decent?? Odd question??

==
Michael Adams,  -- I'm not high, just jacked

अगले चरण

अब आपने एम्बेड करने की सुविधा का इस्तेमाल करके, गड़बड़ी की पहचान करने वाला टूल बना लिया है! अपने टेक्स्ट वाले डेटा का इस्तेमाल करके, उन्हें एम्बेड किए गए कॉन्टेंट के तौर पर विज़ुअलाइज़ करें. साथ ही, कुछ ऐसी बाउंड चुनें जिनकी मदद से, आउटलायर का पता लगाया जा सके. विज़ुअलाइज़ेशन का चरण पूरा करने के लिए, डाइमेंशन के आधार पर उपयोगकर्ता को कम करने की कार्रवाई की जा सकती है. ध्यान दें कि t-SNE, इनपुट के ग्रुप में अच्छी तरह से काम करता है. हालांकि, इसे इकट्ठा करने में ज़्यादा समय लग सकता है या लोकल मिनिमा में अटक सकता है. अगर आपको यह समस्या आती है, तो प्रिंसिपल कॉम्पोनेंट विश्लेषण (पीसीए) तकनीक का इस्तेमाल किया जा सकता है.

एम्बेड करने की सुविधा का इस्तेमाल कैसे किया जा सकता है, इस बारे में ज़्यादा जानने के लिए ये दूसरे ट्यूटोरियल देखें: