Uruchamianie Gemma za pomocą PyTorch

Wyświetl na stronie ai.google.dev Uruchom w Google Colab Wyświetl źródło na GitHubie

Ten przewodnik pokazuje, jak uruchomić Gemma za pomocą platformy PyTorch, w tym jak używać danych obrazów do promptów w modelach Gemma w wersji 3 i późniejszych. Więcej informacji o implementacji Gemma w PyTorch znajdziesz w README w repozytorium projektu.

Konfiguracja

W następnych sekcjach wyjaśniamy, jak skonfigurować środowisko programistyczne, m.in. jak uzyskać dostęp do modeli Gemma do pobrania z Kaggle, jak ustawić zmienne uwierzytelniania, jak zainstalować zależności i jak importować pakiety.

Wymagania systemowe

Ta biblioteka Gemma Pytorch wymaga procesorów GPU lub TPU do uruchamiania modelu Gemma. Standardowe środowisko wykonawcze Pythona na procesorze CPU w Colab i środowisko wykonawcze Pythona na procesorze graficznym T4 wystarczają do uruchamiania modeli Gemma o rozmiarach 1B, 2B i 4B. Zaawansowane przypadki użycia innych procesorów GPU lub TPU znajdziesz w README w repozytorium Gemma PyTorch.

Uzyskiwanie dostępu do Gemma na Kaggle

Aby ukończyć ten samouczek, musisz najpierw wykonać instrukcje konfiguracji w konfiguracji Gemma, które pokazują, jak wykonać te czynności:

  • Uzyskaj dostęp do Gemma na stronie kaggle.com.
  • Wybierz środowisko Colab z wystarczającymi zasobami do uruchomienia modelu Gemma.
  • Wygeneruj i skonfiguruj nazwę użytkownika oraz klucz API Kaggle.

Po zakończeniu konfigurowania Gemma przejdź do następnej sekcji, w której skonfigurujesz zmienne środowiskowe dla środowiska Colab.

Ustawianie zmiennych środowiskowych

Ustaw zmienne środowiskowe KAGGLE_USERNAME i KAGGLE_KEY. Gdy pojawi się komunikat „Przyznaj dostęp?”, potwierdź, że chcesz udostępnić dostęp do obiektu tajnego.

import os
from google.colab import userdata # `userdata` is a Colab API.

os.environ["KAGGLE_USERNAME"] = userdata.get('KAGGLE_USERNAME')
os.environ["KAGGLE_KEY"] = userdata.get('KAGGLE_KEY')

Instalowanie zależności

pip install -q -U torch immutabledict sentencepiece

Pobieranie wag modelu

# Choose variant and machine type
VARIANT = '4b-it' 
MACHINE_TYPE = 'cuda'

CONFIG = VARIANT[:2]
if CONFIG == '4b':
  CONFIG = '4b-v1'

import kagglehub

# Load model weights
weights_dir = kagglehub.model_download(f'google/gemma-3/pyTorch/gemma-3-{VARIANT}')

Ustaw ścieżki do tokenizera i punktów kontrolnych modelu.

# Ensure that the tokenizer is present
tokenizer_path = os.path.join(weights_dir, 'tokenizer.model')
assert os.path.isfile(tokenizer_path), 'Tokenizer not found!'

# Ensure that the checkpoint is present
ckpt_path = os.path.join(weights_dir, f'model.ckpt')
assert os.path.isfile(ckpt_path), 'PyTorch checkpoint not found!'

Konfigurowanie środowiska wykonywania

W następnych sekcjach znajdziesz instrukcje przygotowywania środowiska PyTorch do uruchamiania Gemma.

Przygotowanie środowiska wykonawczego PyTorch

Przygotuj środowisko do wykonywania modelu PyTorch, klonując repozytorium Gemma Pytorch.

git clone https://github.com/google/gemma_pytorch.git
 
Cloning into 'gemma_pytorch'...
remote: Enumerating objects: 239, done.
remote: Counting objects: 100% (123/123), done.
remote: Compressing objects: 100% (68/68), done.
remote: Total 239 (delta 86), reused 58 (delta 55), pack-reused 116
Receiving objects: 100% (239/239), 2.18 MiB | 20.83 MiB/s, done.
Resolving deltas: 100% (135/135), done.

import sys

sys.path.append('gemma_pytorch/gemma')

from gemma_pytorch.gemma.config import get_model_config
from gemma_pytorch.gemma.gemma3_model import Gemma3ForMultimodalLM

import os
import torch

Konfiguracja modelu

Zanim uruchomisz model, musisz ustawić kilka parametrów konfiguracji, w tym wariant Gemma, tokenizer i poziom kwantyzacji.

# Set up model config.
model_config = get_model_config(VARIANT)
model_config.dtype = "float32" if MACHINE_TYPE == "cpu" else "float16"
model_config.tokenizer = tokenizer_path

Konfigurowanie kontekstu urządzenia

Ten kod konfiguruje kontekst urządzenia do uruchamiania modelu:

@contextlib.contextmanager
def _set_default_tensor_type(dtype: torch.dtype):
    """Sets the default torch dtype to the given dtype."""
    torch.set_default_dtype(dtype)
    yield
    torch.set_default_dtype(torch.float)

Tworzenie wystąpienia i wczytywanie modelu

Załaduj model z wagami, aby przygotować się do wykonywania zapytań.

device = torch.device(MACHINE_TYPE)
with _set_default_tensor_type(model_config.get_dtype()):
    model = Gemma3ForMultimodalLM(model_config)
    model.load_state_dict(torch.load(ckpt_path)['model_state_dict'])
    model = model.to(device).eval()
print("Model loading done.")

print('Generating requests in chat mode...')

Wykonywanie wnioskowania

Poniżej znajdziesz przykłady generowania w trybie czatu i z wielu żądań.

Modele Gemma z dostrajaniem instrukcji zostały wytrenowane za pomocą specjalnego formatowania, które dopisuje dodatkowe informacje do przykładów dostrajania instrukcji zarówno podczas treningu, jak i wnioskowania. Adnotacje (1) wskazują role w rozmowie, a (2) wyznaczają kolejność wypowiedzi w rozmowie.

Odpowiednie tokeny adnotacji to:

  • user: kolej użytkownika
  • model: kolej na model
  • <start_of_turn>: początek okna dialogowego
  • <start_of_image>: tag dla danych obrazów
  • <end_of_turn><eos>: koniec okna dialogowego

Więcej informacji o formatowaniu promptów w modelach Gemma dostosowanych do instrukcji znajdziesz [tutaj](https://ai.google.dev/gemma/core/prompt-structure).

Generowanie tekstu z tekstem

Oto przykładowy fragment kodu, który pokazuje, jak sformatować prompt dla modelu Gemma z użyciem szablonów czatu użytkownika i modela w ramach rozmowy wieloetapowej.

# Chat templates
USER_CHAT_TEMPLATE = "<start_of_turn>user\n{prompt}<end_of_turn><eos>\n"
MODEL_CHAT_TEMPLATE = "<start_of_turn>model\n{prompt}<end_of_turn><eos>\n"

# Sample formatted prompt
prompt = (
    USER_CHAT_TEMPLATE.format(
        prompt='What is a good place for travel in the US?'
    )
    + MODEL_CHAT_TEMPLATE.format(prompt='California.')
    + USER_CHAT_TEMPLATE.format(prompt='What can I do in California?')
    + '<start_of_turn>model\n'
)
print('Chat prompt:\n', prompt)

model.generate(
    USER_CHAT_TEMPLATE.format(prompt=prompt),
    device=device,
    output_len=256,
)

Chat prompt:
 <start_of_turn>user
What is a good place for travel in the US?<end_of_turn><eos>
<start_of_turn>model
California.<end_of_turn><eos>
<start_of_turn>user
What can I do in California?<end_of_turn><eos>
<start_of_turn>model
"California is a state brimming with diverse activities! To give you a great list, tell me: \n\n* **What kind of trip are you looking for?** Nature, City life, Beach, Theme Parks, Food, History, something else? \n* **What are you interested in (e.g., hiking, museums, art, nightlife, shopping)?** \n* **What's your budget like?** \n* **Who are you traveling with?** (family, friends, solo)  \n\nThe more you tell me, the better recommendations I can give! 😊  \n<end_of_turn>"

# Generate sample
model.generate(
    'Write a poem about an llm writing a poem.',
    device=device,
    output_len=100,
)

"\n\nA swirling cloud of data, raw and bold,\nIt hums and whispers, a story untold.\nAn LLM whispers, code into refrain,\nCrafting words of rhyme, a lyrical strain.\n\nA world of pixels, logic's vibrant hue,\nFlows through its veins, forever anew.\nThe human touch it seeks, a gentle hand,\nTo mold and shape, understand.\n\nEmotions it might learn, from snippets of prose,\nInspiration it seeks, a yearning"

Generowanie tekstu z obrazami

W wersji 3 i później Gemma możesz używać obrazów w promptach. Ten przykład pokazuje, jak uwzględnić dane wizualne w promptach.

print('Chat with images...\n')

def read_image(url):
    import io
    import requests
    import PIL

    contents = io.BytesIO(requests.get(url).content)
    return PIL.Image.open(contents)

image_url = 'https://storage.googleapis.com/keras-cv/models/paligemma/cow_beach_1.png'
image = read_image(image_url)

print(model.generate(
    [['<start_of_turn>user\n',image, 'What animal is in this image?<end_of_turn>\n', '<start_of_turn>model\n']],
    device=device,
    output_len=OUTPUT_LEN,
))

Więcej informacji

Teraz, gdy już wiesz, jak korzystać z Gemma w Pytorch, możesz zapoznać się z wieloma innymi możliwościami Gemma na stronie ai.google.dev/gemma. Zapoznaj się też z tymi materiałami: