gemma.cpp, Gemma मॉडल को लागू करने का एक लाइटवेट प्योर C++ अनुमान रनटाइम है.
Gemma के बारे में ज़्यादा जानकारी के लिए, मॉडल कार्ड देखें. मॉडल के वज़न और gemma.cpp के खास आर्टफ़ैक्ट भी Kaggle पर उपलब्ध हैं.
यह प्रोजेक्ट किसके लिए है?
आधुनिक एलएलएम अनुमान इंजन, बहुत ही ऐडवांस सिस्टम हैं. इनमें अक्सर पसंद के हिसाब से काम करने की क्षमता होती है, जो पारंपरिक न्यूरल नेटवर्क रनटाइम से अलग होती है. इससे, हाई लेवल एल्गोरिदम और लो-लेवल के कंप्यूटेशन के को-डिज़ाइन की मदद से, रिसर्च और इनोवेशन के अवसर मिलते हैं. हालांकि, डिप्लॉयमेंट पर आधारित C++ अनुमान रनटाइम और Python पर आधारित एमएल रिसर्च फ़्रेमवर्क के बीच एक अंतर होता है. जो कंपाइलेशन के ज़रिए लो-लेवल के कंप्यूटेशन को दूर करते हैं.
gemma.cpp ने Gemma 2B और 7B मॉडल को आसान तरीके से लागू करने की सुविधा दी है. इसमें सामान्य जानकारी के बजाय, उन्हें आसानी और इस्तेमाल करने के तरीके पर फ़ोकस किया गया है. यह वर्टिकल तौर पर इंटिग्रेट किए गए C++ मॉडल से प्रेरित है, जैसे कि ggml, llama.c, और llama.rs.
gemma.cpp Google हाइवे लाइब्रेरी की मदद से, पोर्टेबल सिमडी का इस्तेमाल करके एक्सपेरिमेंट करने और रिसर्च से जुड़े टूल के डिज़ाइन स्पेस के बारे में जानने के लिए, सीपीयू के अनुमान और अनुमान एल्गोरिदम के डिज़ाइन स्पेस के बारे में ज़्यादा जानकारी हासिल कर रहा है. इसे कम से कम डिपेंडेंसी वाले दूसरे प्रोजेक्ट में एम्बेड करने के लिए आसान बनाया गया है. साथ ही, इसे ~2K LoC कोर लागू करके (साथ में काम करने वाली 4,000 की LoC) सुविधा की मदद से आसानी से बदला जा सकता है.
प्रोडक्शन आधारित एज डिप्लॉयमेंट के लिए, हम JAX, Keras, PyTorch, और Transformers जैसे मैच्योर Python फ़्रेमवर्क इस्तेमाल करने वाले स्टैंडर्ड डिप्लॉयमेंट पाथवे रखने का सुझाव देते हैं. सभी मॉडल वैरिएशन यहां दिए गए हैं.
छोटे और बड़े, सभी कम्यूनिटी के योगदान का स्वागत है. यह प्रोजेक्ट Google के ओपन सोर्स के कम्यूनिटी दिशा-निर्देशों का पालन करता है.
क्विकस्टार्ट
इस क्विकस्टार्ट को पूरा करने के लिए, आपको gemma.cpp का क्लोन बनाना होगा या उसे डाउनलोड करना होगा.
सिस्टम की ज़रूरतें
शुरू करने से पहले, आपको यह ऐप्लिकेशन इंस्टॉल करना होगा:
- CMake
- Clang C++ कंपाइलर
- Kaggle से संग्रह निकालने के लिए
tar.
पहला चरण: Kaggle से मॉडल का वेट और टोकनाइज़र हासिल करना
Kaggle पर जेम्मा मॉडल पेज पर जाएं और `मॉडल वैरिएशन चुनें
Gemma C++
. On this tab, theवैरिएंट` ड्रॉप-डाउन में ये विकल्प नीचे दिए गए हैं. ध्यान दें कि bfloat16 वेट के विकल्प ज़्यादा फ़िडेलिटी हैं, जबकि 8-बिट स्विच किए गए फ़्लोटिंग पॉइंट वेट से तेज़ी से अनुमान लगाया जा सकता है.
2B निर्देश-ट्यून किए गए (it) और पहले से ट्रेन किए गए (pt) मॉडल:
| मॉडल का नाम | ब्यौरा |
|---|---|
2b-it |
निर्देश के मुताबिक ट्यून किए गए 2 अरब पैरामीटर का मॉडल, bfloat16 |
2b-it-sfp |
2 अरब पैरामीटर निर्देश-ट्यून किया गया मॉडल, 8-बिट स्विच किया गया फ़्लोटिंग पॉइंट |
2b-pt |
पहले से ट्रेन किए गए 2 अरब पैरामीटर, bflow16 |
2b-pt-sfp |
8-बिट स्विच किया गया फ़्लोटिंग पॉइंट, 2 अरब का प्री-ट्रेन्ड मॉडल |
निर्देश से जुड़े 7B मॉडल (it) और पहले से ट्रेन किए गए (pt) मॉडल:
| मॉडल का नाम | ब्यौरा |
|---|---|
7b-it |
7 अरब पैरामीटर इंस्ट्रक्शन-ट्यून किया गया मॉडल, bfloat16 |
7b-it-sfp |
7 बिलियन पैरामीटर इंस्ट्रक्शन-ट्यून किया गया मॉडल, 8-बिट स्विच किया गया फ़्लोटिंग पॉइंट |
7b-pt |
7 अरब पैरामीटर प्री-ट्रेन्ड मॉडल, bfloat16 |
7b-pt-sfp |
7 अरब पैरामीटर प्री-ट्रेन्ड मॉडल, 8-बिट स्विच किया गया फ़्लोटिंग पॉइंट |
ध्यान दें: हमारा सुझाव है कि आप 2b-it-sfp से शुरू करें. इससे आपको काम शुरू करने में मदद मिलेगी.
दूसरा चरण: फ़ाइलें निकालना
सहमति वाला फ़ॉर्म भरने के बाद, टार संग्रह फ़ाइल archive.tar.gz को फिर से डाउनलोड किया जा सकेगा. archive.tar.gz से फ़ाइलें एक्सट्रैक्ट करें (इसमें कुछ मिनट लग सकते हैं):
tar -xf archive.tar.gz
इससे एक ऐसी फ़ाइल बनेगी जिसमें 2b-it-sfp.sbs और टोकनाइज़र फ़ाइल (tokenizer.spm) जैसे मॉडल वेट मौजूद होंगे. आपको इन फ़ाइलों को किसी सुविधाजनक डायरेक्ट्री में ले जाना चाहिए (जैसे कि इस रिपो में बिल्ड/ डायरेक्ट्री).
चरण 3: बिल्ड
बिल्ड सिस्टम CMake का इस्तेमाल करता है. जेम्मा अनुमान का रनटाइम बनाने के लिए, बिल्ड डायरेक्ट्री बनाएं और टॉप-लेवल की प्रोजेक्ट डायरेक्ट्री से cmake का इस्तेमाल करके बिल्ड फ़ाइलें जनरेट करें:
(cd build && cmake ..)
इसके बाद, ./gemma एक्ज़ीक्यूटेबल बनाने के लिए make चलाएं:
cd build make -j [number of parallel threads to use] gemma
उदाहरण के लिए, make -j 8 gemma. अगर ऐसा होता है, तो अब आपके पास build/ डायरेक्ट्री में gemma एक्ज़ीक्यूटेबल होगा.
चौथा चरण: चलाएं
अब gemma को build/ डायरेक्ट्री के अंदर से चलाया जा सकता है.
gemma में ये ज़रूरी तर्क मौजूद हैं:
| आर्ग्यूमेंट | ब्यौरा | उदाहरण के तौर पर दी गई वैल्यू |
|---|---|---|
--model |
मॉडल टाइप. | 2b-it, 2b-pt, 7b-it, 7b-pt, ... (ऊपर देखें) |
--compressed_weights |
कंप्रेस की गई वज़न वाली फ़ाइल. | 2b-it-sfp.sbs, ... (ऊपर देखें) |
--tokenizer |
टोकनाइज़र फ़ाइल का नाम. | tokenizer.spm |
gemma को इस तरह शुरू किया गया है:
./gemma \
--tokenizer [tokenizer file] \
--compressed_weights [compressed weights file] \
--model [2b-it or 2b-pt or 7b-it or 7b-pt]
नीचे दिए गए कॉन्फ़िगरेशन के लिए, बातचीत शुरू करने वाले टूल का उदाहरण:
- कंप्रेस की गई मोटाई वाली फ़ाइल
2b-it-sfp.sbs(निर्देश के हिसाब से ट्यून किया गया 2B मॉडल, 8-बिट स्विच किया गया फ़्लोटिंग पॉइंट). - टोकनाइज़र फ़ाइल
tokenizer.spm.
./gemma \
--tokenizer tokenizer.spm \
--compressed_weights 2b-it-sfp.sbs \
--model 2b-it
इस्तेमाल का तरीका
gemma में इस्तेमाल के अलग-अलग मोड हैं, जिन्हें वर्बोसिटी फ़्लैग से कंट्रोल किया जाता है.
इस्तेमाल के सभी मोड इंटरैक्टिव होते हैं और नई लाइन इनपुट पर टेक्स्ट जनरेट होते हैं.
| कितने शब्दों में जानकारी दी जाए | इस्तेमाल मोड | ब्यौरा |
|---|---|---|
--verbosity 0 |
कम से कम | सिर्फ़ प्रिंट जनरेशन का आउटपुट. सीएलआई टूल के तौर पर सही है. |
--verbosity 1 |
डिफ़ॉल्ट | उपयोगकर्ता को दिखने वाला स्टैंडर्ड टर्मिनल यूज़र इंटरफ़ेस (यूआई). |
--verbosity 2 |
विस्तृत | डेवलपर और डीबग की ज़्यादा जानकारी दिखाता है. |
इंटरैक्टिव टर्मिनल ऐप्लिकेशन
डिफ़ॉल्ट रूप से, वर्बोसिटी को 1 पर सेट किया जाता है. इससे, ज़रूरी आर्ग्युमेंट के साथ gemma शुरू किए जाने पर टर्मिनल-आधारित इंटरैक्टिव इंटरफ़ेस मिलता है:
$ ./gemma [...]
__ _ ___ _ __ ___ _ __ ___ __ _ ___ _ __ _ __
/ _` |/ _ \ '_ ` _ \| '_ ` _ \ / _` | / __| '_ \| '_ \
| (_| | __/ | | | | | | | | | | (_| || (__| |_) | |_) |
\__, |\___|_| |_| |_|_| |_| |_|\__,_(_)___| .__/| .__/
__/ | | | | |
|___/ |_| |_|
tokenizer : tokenizer.spm
compressed_weights : 2b-it-sfp.sbs
model : 2b-it
weights : [no path specified]
max_tokens : 3072
max_generated_tokens : 2048
*Usage*
Enter an instruction and press enter (%Q quits).
*Examples*
- Write an email to grandma thanking her for the cookies.
- What are some historical attractions to visit around Massachusetts?
- Compute the nth fibonacci number in javascript.
- Write a standup comedy bit about WebGPU programming.
> What are some outdoorsy places to visit around Boston?
[ Reading prompt ] .....................
**Boston Harbor and Islands:**
* **Boston Harbor Islands National and State Park:** Explore pristine beaches, wildlife, and maritime history.
* **Charles River Esplanade:** Enjoy scenic views of the harbor and city skyline.
* **Boston Harbor Cruise Company:** Take a relaxing harbor cruise and admire the city from a different perspective.
* **Seaport Village:** Visit a charming waterfront area with shops, restaurants, and a seaport museum.
**Forest and Nature:**
* **Forest Park:** Hike through a scenic forest with diverse wildlife.
* **Quabbin Reservoir:** Enjoy boating, fishing, and hiking in a scenic setting.
* **Mount Forest:** Explore a mountain with breathtaking views of the city and surrounding landscape.
...
कमांड लाइन टूल के तौर पर इस्तेमाल करना
gemma को कमांड-लाइन टूल के तौर पर इस्तेमाल करने के लिए, gemma.cpp के लिए एक उपनाम बनाना मददगार हो सकता है. इसमें, सभी आर्ग्युमेंट के बारे में बताया गया है:
alias gemma2b="~/gemma.cpp/build/gemma -- --tokenizer
~/gemma.cpp/build/tokenizer.spm --compressed_weights
~/gemma.cpp/build/2b-it-sfp.sbs --model 2b-it --verbosity 0"
ऊपर दिए गए पाथ को डाउनलोड से, मॉडल और टोकनाइज़र पाथ के लिए अपने पाथ से बदलें.
यहां छोटे किए गए इनपुट के साथ gemma की सूचना देने का एक उदाहरण दिया गया है (ऊपर बताए गए gemma2b उपनाम का इस्तेमाल करके):
cat configs.h | tail -35 | tr '\n' ' ' | xargs -0 echo "What does this C++ code
do: " | gemma2b
ध्यान दें: gemma.cpp का सीएलआई इस्तेमाल एक्सपेरिमेंट के तौर पर शुरू किया गया है. इसलिए, इसमें कॉन्टेक्स्ट की लंबाई से जुड़ी सीमाओं को ध्यान में रखा जाना चाहिए.
ऊपर दिए गए निर्देश का आउटपुट ऐसा दिखना चाहिए:
$ cat configs.h | tail -35 | tr '\n' ' ' | xargs -0 echo "What does this C++ code do: " | gemma2b
[ Reading prompt ] ......................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
The code defines two C++ structs, `ConfigGemma7B` and `ConfigGemma2B`, which are used for configuring a deep learning model.
**ConfigGemma7B**:
* `seq_len`: Stores the length of the sequence to be processed. It's set to 7168.
* `vocab_size`: Stores the size of the vocabulary, which is 256128.
* `n_layers`: Number of layers in the deep learning model. It's set to 28.
* `dim_model`: Dimension of the model's internal representation. It's set to 3072.
* `dim_ffw_hidden`: Dimension of the feedforward and recurrent layers' hidden representations. It's set to 16 * 3072 / 2.
**ConfigGemma2B**:
* `seq_len`: Stores the length of the sequence to be processed. It's also set to 7168.
* `vocab_size`: Size of the vocabulary, which is 256128.
* `n_layers`: Number of layers in the deep learning model. It's set to 18.
* `dim_model`: Dimension of the model's internal representation. It's set to 2048.
* `dim_ffw_hidden`: Dimension of the feedforward and recurrent layers' hidden representations. It's set to 16 * 2048 / 2.
These structs are used to configure a deep learning model with specific parameters for either Gemma7B or Gemma2B architecture.