Este notebook apresenta os comandos mágicos do Colab para PaLM. A magia torna mais fácil desenvolver, testar, comparar e avaliar comandos em um bloco do Colab.
 Ver em ai.google.dev
|
 Testar um bloco do Colab
|
 Veja o notebook no GitHub
|
Configuração
Siga as etapas abaixo para instalar e testar os comandos mágicos.
Como instalar o comando mágico do PaLM
Para usar os comandos mágicos do PaLM no Colab ou outro ambiente IPython, primeiro você precisa fazer o download e instalar o pacote Python google-generativeai.
%pip install -q google-generativeai
Como carregar o comando mágico do PaLM
Em seguida, carregue o comando mágico %%palm usando o comando mágico %load_ext:
%load_ext google.generativeai.notebook
Teste a instalação
Para testar se os comandos mágicos estão instalados, execute %%palm --help. Você também vai precisar de uma chave da API PaLM, se ainda não tiver uma (confira a próxima etapa).
%%palm --help
usage: palm [-h] {run,compile,compare,eval} ...
A system for interacting with LLMs.
positional arguments:
{run,compile,compare,eval}
options:
-h, --help show this help message and exit
Como conseguir uma chave da API PaLM
Para usar a API PaLM, é preciso criar uma chave de API. Você só precisa fazer essa etapa uma vez.
Definir a chave de API no notebook
Execute a célula abaixo para definir sua chave de API.
%env GOOGLE_API_KEY=YOUR PALM KEY
Comandos mágicos do PaLM: run, compile, compare e evaluate
Os comandos mágicos do PaLM oferecem quatro comandos diferentes:
runcompilecompareevaluate
Comando: palm run
O comando run envia o conteúdo da célula para o modelo.
Como a execução de comandos é muito comum, o comando mágico do PaLM usa o comando run como padrão se nenhum comando for dado. Por exemplo, as duas próximas células são idênticas.
%%palm run
The opposite of hot is
%%palm
The opposite of hot is
Noções básicas sobre a saída
A coluna Prompt mostra o texto enviado ao modelo e a coluna text_result mostra o resultado. As outras colunas serão apresentadas conforme você avançar neste guia.
Modelos de comandos
Os comandos não precisam ser strings fixas. É possível injetar valores em um comando usando marcadores de posição de modelo usando {curly braces}.
english_words = {
# Each value here (hot, cold) will be substituted in for {word} in the prompt
'word': ['hot', 'cold']
}
%%palm --inputs english_words
The opposite of {word} is
Noções básicas sobre a saída
A coluna Input Num rastreia o índice da palavra de entrada nas listas. Em
nestes exemplos, Input Num de 0 é 'hot' e 1 é 'cold'.
Como especificar vários conjuntos de entradas
Também é possível especificar vários conjuntos de entradas ao mesmo tempo.
extreme_temperatures = {
'word': ['hot', 'cold']
}
minor_temperatures = {
'word': ['warm', 'chilly']
}
%%palm --inputs extreme_temperatures minor_temperatures
The opposite of {word} is
Como ler dados das Planilhas Google
O comando mágico do PaLM também lê e grava nas Planilhas Google. Você precisa fazer login para acessar os dados do app Planilhas. Esta seção se concentra na leitura de dados no Planilhas. uma seção posterior mostra como gravar a saída em uma Planilha Google.
Faça login e autorize o acesso ao Planilhas
Formatar uma planilha para uso com o comando mágico do PaLM
Transmita o ID ou o URL de uma planilha Google à sinalização --sheets_input_names para carregá-la como dados de modelo.
Use o seguinte formato na sua planilha para usar os dados em um modelo de comando:
- Coloque os nomes das variáveis (do seu modelo de comando) na primeira linha da planilha.
- Insira os dados para substituir cada variável nas linhas abaixo.
Por exemplo, se o modelo de comando tiver duas variáveis para substituir, name e temperament, a planilha vai ser assim:
| nome | temperamento |
|---|---|
| Milo | atrevido |
| Bigsly | relaxado |
| Subra | tímido |
%%palm --sheets_input_names https://docs.google.com/spreadsheets/d/1UHfpkmBqIX5RjeJcGXOevIEhMmEoKlf5f9teqwQyHqc/edit
Create a single sentence description of a monkey's personality. The monkey's name is {name} and it has a {temperament} temperament.
Faça um teste!
Para testar isso com seus próprios dados, crie uma nova planilha e transmita o ID para --sheets_input_names. Além de ID e URL, você também pode pesquisar suas planilhas por título. Por exemplo, %%palm --sheets_input_names "Animal adjectives":
Combinar entradas das Planilhas com entradas do Python
As entradas das Planilhas também podem ser combinadas com --inputs:
new_monkeys = {
'name': ['Hackerella'],
'temperament': ['clever'],
}
%%palm --inputs new_monkeys --sheets_input_names 1UHfpkmBqIX5RjeJcGXOevIEhMmEoKlf5f9teqwQyHqc 1UHfpkmBqIX5RjeJcGXOevIEhMmEoKlf5f9teqwQyHqc
Create a single sentence description of a monkey's personality. The monkey's name is {name} and it has a {temperament} temperament.
Comando: palm eval
Use %%palm eval para comparar o resultado de um comando com dados de informações empíricas conhecidos.
test_data = {
"word": ["dog", "cat", "house"]
}
ground_truth = ["chien", "chat", "maison"]
%%palm eval --inputs test_data --ground_truth ground_truth
English: Hello
French: Bonjour
English: {word}
French:
Saídas do modelo de pós-processamento
Para realizar testes de informações empíricas, pode ser necessário fazer o pós-processamento da saída do modelo.
As funções de pós-processamento permitem definir uma função que processa a saída do modelo. No caso do comando eval, somente a coluna de resultado é usada na verificação final de igualdade.
Use o decorador post_process_replace_fn para definir uma função para pós-processar os resultados:
from google.generativeai.notebook import magics
# Define a function to extract only the first response.
@magics.post_process_replace_fn
def extract_and_normalize(input):
first_line, *unused = input.split('English:')
return first_line.strip().lower()
A função extract_and_normalize definida acima usa a saída do modelo e remove todos os pares de idiomas repetidos, deixando apenas a primeira resposta. Confira a seção pós-processamento para saber mais.
%%palm eval --inputs test_data --ground_truth ground_truth | extract_and_normalize
English: Hello
French: Bonjour
English: {word}
French:
Comando: palm compile
Use o comando %%palm compile para converter um prompt com marcadores de posição em uma função chamável de dentro do Python.
Todas as flags e o pós-processamento são "compilados" na função e será usado quando invocado.
Neste exemplo, uma função chamada translate_en_to_fr é criada usando a função de pós-processamento extract_and_normalize de antes.
%%palm compile translate_en_to_fr | extract_and_normalize
English: Hello
French: Bonjour
English: {word}
French:
'Saved function to Python variable: translate_en_to_fr'
en_words = ['cat', 'dog']
translate_en_to_fr({'word': en_words})
Formatos de saída
Por padrão, um arquivo "compilado" A função retorna a saída como um objeto que será exibido como DataFrame do Pandas. No entanto, é possível converter o objeto de resultados em um DataFrame ou um dicionário com .as_dict() ou .as_dataframe(), respectivamente.
Para mais informações, consulte a flag --outputs.
results = translate_en_to_fr({'word': en_words}).as_dict()
fr_words = results['text_result']
for en, fr in zip(en_words, fr_words):
print(f'{fr} is French for {en}')
chat is French for cat chien is French for dog
Comando: palm compare
O %%palm compare executa comandos compilados e produz uma tabela com os resultados da comparação lado a lado para que você possa inspecionar as diferenças.
%%palm compile few_shot_prompt
English: Hello
French: Bonjour
English: {word}
French:
'Saved function to Python variable: few_shot_prompt'
%%palm compile zero_shot_prompt
{word} translated to French is:
'Saved function to Python variable: zero_shot_prompt'
words = {
"word": ["dog", "cat", "house"]
}
%%palm compare few_shot_prompt zero_shot_prompt --inputs words
Funções de comparação personalizadas
Por padrão, compare apenas verifica a igualdade nos resultados retornados. No entanto, é possível especificar uma ou mais funções personalizadas com a flag --compare_fn.
def average_word_length(lhs, rhs):
"""Count the average number of words used across prompts."""
return (len(lhs.split(' ')) + len(rhs.split(' '))) / 2
def shortest_answer(lhs, rhs):
"""Label the prompt that generated the shortest output."""
if len(lhs) < len(rhs):
return 'first'
elif len(lhs) > len(rhs):
return 'second'
else:
return 'same'
%%palm compare few_shot_prompt zero_shot_prompt --inputs words --compare_fn average_word_length shortest_answer
Outros comandos
Ajuda
A flag --help mostra os comandos com suporte que podem ser transmitidos diretamente para %%palm
Anexe --help para visualizar a documentação detalhada de cada comando. Por exemplo,
%%palm run --help
usage: palm run [-h] [--model_type {echo,text}] [--temperature TEMPERATURE]
[--model MODEL] [--candidate_count CANDIDATE_COUNT] [--unique]
[--inputs INPUTS [INPUTS ...]]
[--sheets_input_names SHEETS_INPUT_NAMES [SHEETS_INPUT_NAMES ...]]
[--outputs OUTPUTS [OUTPUTS ...]]
[--sheets_output_names SHEETS_OUTPUT_NAMES [SHEETS_OUTPUT_NAMES ...]]
options:
-h, --help show this help message and exit
--model_type {echo,text}, -mt {echo,text}
The type of model to use.
--temperature TEMPERATURE, -t TEMPERATURE
Controls the randomness of the output. Must be
positive. Typical values are in the range: [0.0, 1.0].
Higher values produce a more random and varied
response. A temperature of zero will be deterministic.
--model MODEL, -m MODEL
The name of the model to use. If not provided, a
default model will be used.
--candidate_count CANDIDATE_COUNT, -cc CANDIDATE_COUNT
The number of candidates to produce.
--unique Whether to dedupe candidates returned by the model.
--inputs INPUTS [INPUTS ...], -i INPUTS [INPUTS ...]
Optional names of Python variables containing inputs
to use to instantiate a prompt. The variable must be
either: a dictionary {'key1': ['val1', 'val2'] ...},
or an instance of LLMFnInputsSource such as
SheetsInput.
--sheets_input_names SHEETS_INPUT_NAMES [SHEETS_INPUT_NAMES ...], -si SHEETS_INPUT_NAMES [SHEETS_INPUT_NAMES ...]
Optional names of Google Sheets to read inputs from.
This is equivalent to using --inputs with the names of
variables that are instances of SheetsInputs, just
more convenient to use.
--outputs OUTPUTS [OUTPUTS ...], -o OUTPUTS [OUTPUTS ...]
Optional names of Python variables to output to. If
the Python variable has not already been defined, it
will be created. If the variable is defined and is an
instance of LLMFnOutputsSink, the outputs will be
written through the sink's write_outputs() method.
--sheets_output_names SHEETS_OUTPUT_NAMES [SHEETS_OUTPUT_NAMES ...], -so SHEETS_OUTPUT_NAMES [SHEETS_OUTPUT_NAMES ...]
Optional names of Google Sheets to write inputs to.
This is equivalent to using --outputs with the names
of variables that are instances of SheetsOutputs, just
more convenient to use.
Modelos
Use a flag --model para especificar a variante do modelo PaLM que você quer usar.
Consulte o método list_models() para recuperar os modelos compatíveis. O comando mágico do PaLM pode ser usado com qualquer modelo compatível com o método generateText.
%%palm run --model models/text-bison-001
My favourite color is
Parâmetros do modelo
Também é possível configurar os parâmetros do modelo, como --candidate_count e --temperature.
%%palm run --model models/text-bison-001 --temperature 0.5
My favourite color is
Depuração: o modelo "echo"
Também há um modelo echo disponível que ecoa o comando de volta para você. Como ele não faz chamadas de API nem consome sua cota, pode ser uma maneira rápida e simples de testar a saída ou o pós-processamento.
%%palm --model_type echo
A duck's quack does not echo.
Exportar saída para Python
Além de mostrar a saída tabular, o comando mágico do PaLM pode salvar a saída do modelo em variáveis Python. Assim, é possível manipulá-las ainda mais ou exportar os resultados.
Neste exemplo, a saída é salva em uma variável do Python: fave_colors
%%palm --outputs fave_colors
The best colors to wear in spring-time are
Por padrão, as variáveis de saída são objetos personalizados exibidos como DataFrames do Pandas. Eles podem ser forçados explicitamente a entrar em um dicionário ou dataframe de Python chamando as_dict() ou as_pandas_dataframe().
from pprint import pprint
pprint(fave_colors.as_dict())
{'Input Num': [0],
'Prompt': ['The best colors to wear in spring-time are'],
'Prompt Num': [0],
'Result Num': [0],
'text_result': ['* Pastels: These soft, muted colors are perfect for the '
'springtime, as they are fresh and airy. Some popular pastel '
'colors include baby blue, mint green, and pale pink.\n'
'* Brights: If you want to make a statement, bright colors '
'are a great option for spring. Some popular bright colors '
'include fuchsia, cobalt blue, and yellow.\n'
'* Neutrals: Neutral colors are always a good choice, as they '
'can be easily dressed up or down. Some popular neutrals '
'include beige, gray, and white.\n'
'\n'
'When choosing colors to wear in the spring, it is important '
'to consider the occasion and your personal style. For '
'example, if you are attending a formal event, you may want '
'to choose a more muted color palette, such as pastels or '
'neutrals. If you are going for a more casual look, you may '
'want to choose brighter colors, such as brights or pastels.']}
Gravar no Planilhas Google
É possível salvar o resultado no Planilhas Google usando --sheets_output_names. Você precisa fazer login e ter as permissões apropriadas para acessar as Planilhas Google particulares.
Para testar isso, crie uma nova planilha com o nome Translation results. Assim como a sinalização de entrada, a sinalização --sheets_output_names também aceita o URL ou ID da planilha no lugar do nome textual.
%%palm --inputs english_words --sheets_output_names "Translation results"
English: Hello
French: Bonjour
English: {word}
French:
Os resultados são salvos em uma nova guia e contêm os mesmos dados que você vê aqui no Colab.
Como gerar vários candidatos
Para gerar mais de uma saída para um único comando, transmita --candidate_count ao modelo. Esse valor é definido como 1 por padrão, o que gera apenas o principal resultado.
Às vezes, o modelo vai gerar a mesma saída para todos os candidatos. Eles podem ser filtrados com a flag --unique, que elimina a duplicação dos resultados do lote candidato, mas não em vários comandos.
%%palm run --temperature 1.0 --candidate_count 8 --unique
In a single word, my favourite color is
A coluna Result Num distingue vários candidatos gerados pelo mesmo comando.
Saída do modelo de pós-processamento
A grande variedade de saídas e estruturas possíveis pode dificultar a adaptação da saída do modelo ao domínio do problema. O comando mágico do PaLM oferece opções de pós-processamento que permitem modificar ou processar a saída do modelo usando código Python.
As funções de pós-processamento podem adicionar uma nova coluna à saída ou modificar a coluna text_result. A coluna text_result é a última coluna e é usada pelos comandos eval e compare para determinar a saída final.
Aqui estão algumas funções de exemplo para usar no pós-processamento. Um adiciona uma nova coluna e o outro atualiza a coluna de resultado usando o decorador post_process_replace_fn.
import re
from google.generativeai.notebook import magics
# Add a new column.
def word_count(result):
return len(result.split(' '))
# Modify the text_result column
@magics.post_process_replace_fn
def extract_first_sentence(result):
"""Extracts the first word from the raw result."""
first, *_ = re.split(r'\.\s*', result)
return first
Para usar essas funções, anexe-as ao comando %%palm usando o operador de barra vertical (|).
%%palm run | word_count | extract_first_sentence
The happiest thing I can imagine is
A ordem é importante aqui. Quando word_count é invocado, a saída do modelo original é usada para calcular o número de palavras. Se você trocá-las, a contagem de palavras será o número de palavras da primeira frase extraída.
Leitura adicional
- Consulte o guia de conceitos de LLMs para saber mais sobre eles.
- Confira as diretrizes de comandos para saber mais sobre a criação de comandos e aproveitar ao máximo o trabalho com o PaLM.
- Para prototipar e testar diferentes comandos, confira o Google AI Studio. Além disso, consulte o guia de início rápido do Google AI Studio para mais informações.