Oluşturma ve ayarlama örnekleri için Gemma Cookbook deposuna göz atın. Daha fazla bilgi

Bu sayfa, Cloud Translation API ile çevrilmiştir.

Keras kullanılarak Gemma ile dağıtılan ayarlama

ai.google.dev'de görüntüleyin

Google Colab'de çalıştır

Kaggle'da çalıştırma

Vertex AI'da aç

Kaynağı GitHub'da görüntüle

Genel Bakış

Gemma, Google Gemini modellerini oluşturmakta kullanılan araştırmalar ve teknolojiyle oluşturulmuş hafif, son teknoloji ürünü açık modeller ailesidir. Gemma, belirli ihtiyaçlara uyacak şekilde daha fazla ayarlanabilir. Ancak Gemma gibi Büyük Dil Modellerinin boyutu çok büyük olabilir ve bunların bazıları ince ayar için seslendirme hızlandırmaya sığmayabilir. Bu durumda, ayarların hassaslaştırılması için iki genel yaklaşım mevcuttur:

Biraz kaliteden ödün vererek etkili model boyutunu küçültmeyi amaçlayan Parametre Verimli İnce Ayar (PEFT) LoRA bu kategoride yer alır. LoRA'yı kullanarak Keras'taki Gemma modellerinde ince ayar yapma başlıklı eğiticide, tek bir GPU'da KerasNLP kullanarak LoRA ile gemma_2b_en Gemma 2B modelinde nasıl ince ayar yapılacağı gösterilmektedir.
Model paralelliği ile tam parametre ince ayarı. Model paralelliği, tek bir modelin ağırlıklarını birden çok cihaza dağıtır ve yatay ölçeklendirmeye olanak tanır. Dağıtılmış eğitimler hakkında daha fazla bilgiyi bu Keras kılavuzunda bulabilirsiniz.

Bu eğitim, LoRA ile Gemma 7B modelinde ince ayar yapmak için JAX arka ucuyla Keras'ı kullanma ve Google'ın Tensor İşleme Birimi (TPU) ile ilgili model paralelliği dağıtılmış eğitim hakkında size yol gösterir. Daha yavaş ancak daha doğru tam parametre ayarı yapmak için LoRA'nın bu eğiticide kapatılabileceğini unutmayın.

Hızlandırıcıları kullanma

Teknik olarak bu eğitim için TPU veya GPU kullanabilirsiniz.

TPU ortamlarıyla ilgili notlar

Google'ın TPU sağlayan 3 ürünü vardır:

Colab, bu eğitim için yeterli olan TPU v2'yi ücretsiz sunar.
Kaggle, TPU v3'ü ücretsiz sunar ve bu eğitimde de kullanılabilir.
Cloud TPU, TPU v3 ve daha yeni nesiller sunar. Bunu şu şekilde ayarlayabilirsiniz:
1. Yeni bir TPU sanal makinesi oluşturun
2. İstediğiniz Jupyter sunucu bağlantı noktası için SSH bağlantı noktası yönlendirmeyi ayarlayın
3. Jupyter'i yükleyip TPU sanal makinesinde başlatın, ardından "Yerel çalışma zamanına bağlan" ile Colab'e bağlanın

Çoklu GPU kurulumuyla ilgili notlar

Bu eğitim TPU kullanım alanına odaklansa da çoklu GPU'lu bir makineniz varsa bunu kendi ihtiyaçlarınıza göre kolayca uyarlayabilirsiniz.

Colab üzerinden çalışmayı tercih ederseniz doğrudan "Özel bir GCE sanal makinesine bağlan" aracılığıyla Colab için çoklu GPU'lu bir sanal makine de sağlayabilirsiniz Colab Connect menüsünde bulabilirsiniz.

Burada Kaggle'ın ücretsiz TPU'sunu kullanmaya odaklanacağız.

Başlamadan önce

Kaggle kimlik bilgileri

Gemma modelleri Kaggle tarafından barındırılır. Gemma'yı kullanmak için Kaggle'da erişim isteyin:

kaggle.com adresinden oturum açın veya kaydolun.
Gemma model kartını açın ve "Erişim İste"yi seçin
İzin formunu doldurup şartlar ve koşulları kabul edin

Ardından, Kaggle API'yi kullanmak için bir API jetonu oluşturun:

Kaggle ayarları'nı açın.
"Yeni Jeton Oluştur"u seçin
kaggle.json dosyası indirilir. Bu dosya, Kaggle kimlik bilgilerinizi içeriyor

Aşağıdaki hücreyi çalıştırın ve sorulduğunda Kaggle kimlik bilgilerinizi girin.

# If you are using Kaggle, you don't need to login again.
!pip install ipywidgets
import kagglehub

kagglehub.login()

VBox(children=(HTML(value='<center> <img\nsrc=https://www.kaggle.com/static/images/site-logo.png\nalt=\'Kaggle…

kagglehub.login() çalışmıyorsa kendi ortamınızda KAGGLE_USERNAME ve KAGGLE_KEY öğelerini ayarlamak, alternatif bir yöntemdir.

Kurulum

Keras ve KerasNLP'i Gemma modeliyle yükleyin.

pip install -q -U keras-nlp
# Work around an import error with tensorflow-hub. The library is not used.
pip install -q -U tensorflow-hub
# Install tensorflow-cpu so tensorflow does not attempt to access the TPU.
pip install -q -U tensorflow-cpu tensorflow-text
# Install keras 3 last. See https://keras.io/getting_started for details.
pip install -q -U keras

Keras JAX arka ucunu ayarlama

JAX'i içe aktarın ve TPU'da bütünlük kontrolü çalıştırın. Kaggle, her biri 16 GB belleğe sahip 8 TPU çekirdeğine sahip TPUv3-8 cihazlar sunar.

import jax

jax.devices()

[TpuDevice(id=0, process_index=0, coords=(0,0,0), core_on_chip=0),
 TpuDevice(id=1, process_index=0, coords=(0,0,0), core_on_chip=1),
 TpuDevice(id=2, process_index=0, coords=(1,0,0), core_on_chip=0),
 TpuDevice(id=3, process_index=0, coords=(1,0,0), core_on_chip=1),
 TpuDevice(id=4, process_index=0, coords=(0,1,0), core_on_chip=0),
 TpuDevice(id=5, process_index=0, coords=(0,1,0), core_on_chip=1),
 TpuDevice(id=6, process_index=0, coords=(1,1,0), core_on_chip=0),
 TpuDevice(id=7, process_index=0, coords=(1,1,0), core_on_chip=1)]

import os

# The Keras 3 distribution API is only implemented for the JAX backend for now
os.environ["KERAS_BACKEND"] = "jax"
# Pre-allocate 90% of TPU memory to minimize memory fragmentation and allocation
# overhead
os.environ["XLA_PYTHON_CLIENT_MEM_FRACTION"] = "0.9"

Modeli yükle

import keras
import keras_nlp

NVIDIA GPU'larında karma hassasiyetli eğitimle ilgili notlar

NVIDIA GPU'larda eğitim yapılırken eğitim kalitesinde minimum etkiyle eğitimi hızlandırmak için karma hassasiyet (keras.mixed_precision.set_global_policy('mixed_bfloat16')) kullanılabilir. Çoğu durumda, hem bellek hem de zaman tasarrufu sağladığı için karma hassasiyetin etkinleştirilmesi önerilir. Bununla birlikte, küçük toplu iş boyutlarında bellek kullanımını 1,5 kat artırabileceğini unutmayın (ağırlıklar yarı hassasiyetle ve tam hassasiyetle iki kez yüklenir).

Karma hassasiyet geçerli olmadığında yarı duyarlılık (keras.config.set_floatx("bfloat16")) çalışarak çıkarım için çalışır ve bellek tasarrufu sağlar.

# Uncomment the line below if you want to enable mixed precision training on GPUs
# keras.mixed_precision.set_global_policy('mixed_bfloat16')

Modeli TPU'lara dağıtılmış ağırlıklar ve tensörlerle yüklemek için önce yeni bir DeviceMesh oluşturun. DeviceMesh, dağıtılmış hesaplama için yapılandırılmış bir donanım cihazları koleksiyonunu temsil eder ve birleştirilmiş dağıtım API'sinin bir parçası olarak Keras 3'te kullanıma sunulmuştur.

Dağıtım API'si veri ve model paralelliği sağlayarak birden fazla hızlandırıcı ve ana makine üzerinde derin öğrenme modellerinin verimli bir şekilde ölçeklendirilmesini sağlar. Programı ve tensörleri parçalama yönergelerine göre dağıtmak için tek program, çoklu veri (SPMD) genişletme adlı bir prosedürle programı ve tensörleri dağıtmak için temel çerçeveden (ör. JAX) yararlanır. Daha fazla bilgiyi yeni Keras 3 dağıtım API'si kılavuzunda bulabilirsiniz.

# Create a device mesh with (1, 8) shape so that the weights are sharded across
# all 8 TPUs.
device_mesh = keras.distribution.DeviceMesh(
    (1, 8),
    ["batch", "model"],
    devices=keras.distribution.list_devices())

Dağıtım API'sindeki LayoutMap, tensör yollarını eşleştirmek için normal ifade gibi ele alınan aşağıdaki dize anahtarları (ör. token_embedding/embeddings) kullanılarak ağırlıkların ve tensörlerin nasıl parçalanması veya çoğaltılması gerektiğini belirtir. Eşleşen tensörler, model boyutlarıyla (8 TPU) kırılır; diğerleri tamamen kopyalanacak.

model_dim = "model"

layout_map = keras.distribution.LayoutMap(device_mesh)

# Weights that match 'token_embedding/embeddings' will be sharded on 8 TPUs
layout_map["token_embedding/embeddings"] = (model_dim, None)
# Regex to match against the query, key and value matrices in the decoder
# attention layers
layout_map["decoder_block.*attention.*(query|key|value).*kernel"] = (
    model_dim, None, None)

layout_map["decoder_block.*attention_output.*kernel"] = (
    model_dim, None, None)
layout_map["decoder_block.*ffw_gating.*kernel"] = (None, model_dim)
layout_map["decoder_block.*ffw_linear.*kernel"] = (model_dim, None)

ModelParallel, DeviceMesh üzerindeki tüm cihazlarda model ağırlıklarını veya aktivasyon tensörlerini kırmanıza olanak tanır. Bu durumda Gemma 7B model ağırlıklarından bazıları, yukarıda tanımlanan layout_map uyarınca 8 TPU çipinde parçalanır. Şimdi modeli dağıtılmış şekilde yükleyin.

model_parallel = keras.distribution.ModelParallel(
    device_mesh, layout_map, batch_dim_name="batch")

keras.distribution.set_distribution(model_parallel)
gemma_lm = keras_nlp.models.GemmaCausalLM.from_preset("gemma_7b_en")

Attaching 'config.json' from model 'keras/gemma/keras/gemma_7b_en/1' to your Kaggle notebook...
Attaching 'config.json' from model 'keras/gemma/keras/gemma_7b_en/1' to your Kaggle notebook...
Attaching 'model.weights.h5' from model 'keras/gemma/keras/gemma_7b_en/1' to your Kaggle notebook...
Attaching 'tokenizer.json' from model 'keras/gemma/keras/gemma_7b_en/1' to your Kaggle notebook...
Attaching 'assets/tokenizer/vocabulary.spm' from model 'keras/gemma/keras/gemma_7b_en/1' to your Kaggle notebook...
normalizer.cc(51) LOG(INFO) precompiled_charsmap is empty. use identity normalization.

Şimdi de modelin doğru şekilde bölümlendirildiğini doğrulayın. Örnek olarak decoder_block_1 öğesini ele alalım.

decoder_block_1 = gemma_lm.backbone.get_layer('decoder_block_1')
print(type(decoder_block_1))
for variable in decoder_block_1.weights:
  print(f'{variable.path:<58}  {str(variable.shape):<16}  {str(variable.value.sharding.spec)}')

<class 'keras_nlp.src.models.gemma.gemma_decoder_block.GemmaDecoderBlock'>
decoder_block_1/pre_attention_norm/scale                    (3072,)           PartitionSpec(None,)
decoder_block_1/attention/query/kernel                      (16, 3072, 256)   PartitionSpec(None, 'model', None)
decoder_block_1/attention/key/kernel                        (16, 3072, 256)   PartitionSpec(None, 'model', None)
decoder_block_1/attention/value/kernel                      (16, 3072, 256)   PartitionSpec(None, 'model', None)
decoder_block_1/attention/attention_output/kernel           (16, 256, 3072)   PartitionSpec(None, None, 'model')
decoder_block_1/pre_ffw_norm/scale                          (3072,)           PartitionSpec(None,)
decoder_block_1/ffw_gating/kernel                           (3072, 24576)     PartitionSpec('model', None)
decoder_block_1/ffw_gating_2/kernel                         (3072, 24576)     PartitionSpec('model', None)
decoder_block_1/ffw_linear/kernel                           (24576, 3072)     PartitionSpec(None, 'model')

İnce ayar yapmadan önce çıkarım

gemma_lm.generate("Best comedy movies in the 90s ", max_length=64)

'Best comedy movies in the 90s 1. The Naked Gun 2½: The Smell of Fear (1991) 2. Wayne’s World (1992) 3. The Naked Gun 33⅓: The Final Insult (1994)'

Model, 90'lara ait izlenebilecek en iyi komedi filmlerinin bir listesini oluşturuyor. Şimdi çıkış stilini değiştirmek için Gemma modelinde ince ayar yapacağız.

IMDB ile ince ayar yapın

import tensorflow_datasets as tfds

imdb_train = tfds.load(
    "imdb_reviews",
    split="train",
    as_supervised=True,
    batch_size=2,
)
# Drop labels.
imdb_train = imdb_train.map(lambda x, y: x)

imdb_train.unbatch().take(1).get_single_element().numpy()

Downloading and preparing dataset 80.23 MiB (download: 80.23 MiB, generated: Unknown size, total: 80.23 MiB) to /root/tensorflow_datasets/imdb_reviews/plain_text/1.0.0...
Dl Completed...: 0 url [00:00, ? url/s]
Dl Size...: 0 MiB [00:00, ? MiB/s]
Generating splits...: 0%| | 0/3 [00:00<?, ? splits/s]
Generating train examples...: 0%| | 0/25000 [00:00<?, ? examples/s]
Shuffling /root/tensorflow_datasets/imdb_reviews/plain_text/1.0.0.incompleteAJDUZT/imdb_reviews-train.tfrecord…
Generating test examples...: 0%| | 0/25000 [00:00<?, ? examples/s]
Shuffling /root/tensorflow_datasets/imdb_reviews/plain_text/1.0.0.incompleteAJDUZT/imdb_reviews-test.tfrecord*…
Generating unsupervised examples...: 0%| | 0/50000 [00:00<?, ? examples/s]
Shuffling /root/tensorflow_datasets/imdb_reviews/plain_text/1.0.0.incompleteAJDUZT/imdb_reviews-unsupervised.t…
Dataset imdb_reviews downloaded and prepared to /root/tensorflow_datasets/imdb_reviews/plain_text/1.0.0. Subsequent calls will reuse this data.
b"This was an absolutely terrible movie. Don't be lured in by Christopher Walken or Michael Ironside. Both are great actors, but this must simply be their worst role in history. Even their great acting could not redeem this movie's ridiculous storyline. This movie is an early nineties US propaganda piece. The most pathetic scenes were those when the Columbian rebels were making their cases for revolutions. Maria Conchita Alonso appeared phony, and her pseudo-love affair with Walken was nothing but a pathetic emotional plug in a movie that was devoid of any real meaning. I am disappointed that there are movies like this, ruining actor's like Christopher Walken's good name. I could barely sit through it."

# Use a subset of the dataset for faster training.
imdb_train = imdb_train.take(2000)

Düşük Sıralama Uyarlaması (LoRA) kullanarak ince ayar yapın. LoRA, modelin tüm ağırlıklarını dondurarak ve modele daha az sayıda yeni eğitilebilir ağırlık ekleyerek aşağı akış görevleri için eğitilebilir parametrelerin sayısını büyük ölçüde azaltan bir ince ayar tekniğidir. Temel olarak LoRA, eğitmek için büyük tam ağırlık matrislerini daha küçük, düşük sıralı 2 matris AxB ile yeniden parametre haline getirir. Bu teknik, eğitimi çok daha hızlı ve daha verimli hale getirir.

# Enable LoRA for the model and set the LoRA rank to 4.
gemma_lm.backbone.enable_lora(rank=4)

# Fine-tune on the IMDb movie reviews dataset.

# Limit the input sequence length to 128 to control memory usage.
gemma_lm.preprocessor.sequence_length = 128
# Use AdamW (a common optimizer for transformer models).
optimizer = keras.optimizers.AdamW(
    learning_rate=5e-5,
    weight_decay=0.01,
)
# Exclude layernorm and bias terms from decay.
optimizer.exclude_from_weight_decay(var_names=["bias", "scale"])

gemma_lm.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=optimizer,
    weighted_metrics=[keras.metrics.SparseCategoricalAccuracy()],
)
gemma_lm.summary()
gemma_lm.fit(imdb_train, epochs=1)

/usr/local/lib/python3.10/site-packages/jax/_src/interpreters/mlir.py:756: UserWarning: Some donated buffers were not usable: ShapedArray(float32[256000,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,384,256]), ShapedArray(float32[16,256,384]), ShapedArray(float32[384,24576]), ShapedArray(float32[384,24576]), ShapedArray(float32[24576,384]).
See an explanation at https://jax.readthedocs.io/en/latest/faq.html#buffer_donation.
  warnings.warn("Some donated buffers were not usable:"
2000/2000 ━━━━━━━━━━━━━━━━━━━━ 358s 163ms/step - loss: 2.7145 - sparse_categorical_accuracy: 0.4329
<keras.src.callbacks.history.History at 0x7e9cac7f41c0>

LoRA'yı etkinleştirmenin, eğitilebilir parametre sayısını önemli ölçüde azaltarak 7 milyardan yalnızca 11 milyona düşürdüğünü unutmayın.

İnce ayardan sonra çıkarım

gemma_lm.generate("Best comedy movies in the 90s ", max_length=64)

"Best comedy movies in the 90s \n\nThis is the movie that made me want to be a director. It's a great movie, and it's still funny today. The acting is superb, the writing is excellent, the music is perfect for the movie, and the story is great."

Model, ince ayar yaptıktan sonra film eleştirilerinin tarzını öğrendi ve 90'ların komedi filmlerinde de bu tarzda çıktılar üretiyor.

Sırada ne var?

Bu eğiticide, IMDb veri kümesi üzerinde bir Gemma modeli üzerinde güçlü TPU'lar üzerinde dağıtılmış şekilde ince ayar yapmak için KerasNLP JAX arka ucunun nasıl kullanılacağını öğrendiniz. Öğrenebileceğiniz diğer konularla ilgili birkaç öneriyi aşağıda bulabilirsiniz:

Keras Gemma'yı kullanmaya nasıl başlayacağınızı öğrenin.
GPU'da Gemma modelinde ince ayar yapmayı öğrenin.