Modèles compatibles :
- Gemini 1.0 Pro
- Gemini-1.0-pro-002
Créer un job de réglage
Liste des paramètres
Paramètres | |
---|---|
|
Modèle de base en cours de réglage. Compatible depuis |
|
Fichier Cloud Storage contenant les données d'entraînement. Votre ensemble de données doit être mis en forme en tant que fichier JSONL. |
|
Facultatif : Fichier GCS contenant les données de validation. Votre ensemble de données doit être mis en forme en tant que fichier JSONL. Il peut contenir jusqu'à 256 exemples. Si vous fournissez ce fichier, les données sont utilisées pour générer régulièrement des métriques de validation lors du réglage. |
|
Facultatif : Nombre de passes complètes que le modèle effectue sur la totalité de l'ensemble de données d'entraînement pendant l'entraînement. |
|
Facultatif : Multiplicateur permettant d'ajuster le taux d'apprentissage par défaut. |
|
Facultatif : Nom à afficher de |
Examples
- PROJECT_ID =
PROJECT_ID
- REGION =
us-central1
Cas d'utilisation de base
Exécutez un job de réglage sur le modèle de base gemini-1.0-pro-002
avec l'URI d'ensemble de données d'entraînement dans gs://cloud-samples-data/ai-platform/generative_ai/sft_train_data.jsonl
. Tous les autres paramètres utilisent la valeur automatique.
curl
curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ http://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION}/tuningJobs \ -d '{ "baseModel": "gemini-1.0-pro-002", "supervisedTuningSpec" : { "training_dataset_uri": "gs://cloud-samples-data/ai-platform/generative_ai/sft_train_data.jsonl" }, }'
Python
from vertexai.preview import tuning from vertexai.preview.tuning import sft sft_tuning_job = sft.train( source_model="gemini-1.0-pro-002", train_dataset="gs://cloud-samples-data/ai-platform/generative_ai/sft_train_data.jsonl", ) stf_tuning_job.to_dict()
Cas d'utilisation avancée
Exécutez un job de réglage sur le modèle de base gemini-1.0-pro-002
avec l'URI d'ensemble de données d'entraînement dans gs://cloud-samples-data/ai-platform/generative_ai/sft_train_data.jsonl
.
Définissez les hyper_parameters
comme epoch_count
et learning_rate_multiplier
avec des valeurs spécifiées par l'utilisateur.
Fournissez gs://cloud-samples-data/ai-platform/generative_ai/sft_validation_data.jsonl
en tant que validation_dataset_uri
.
- MODEL_ID =
gemini-1.5-pro-preview-0409
curl
curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ http://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION}/tuningJobs \ -d '{ "baseModel": "gemini-1.0-pro-002", "supervisedTuningSpec" : { "training_dataset_uri": "gs://cloud-samples-data/ai-platform/generative_ai/sft_train_data.jsonl", "validation_dataset_uri": "gs://cloud-samples-data/ai-platform/generative_ai/sft_validation_data.jsonl", "hyper_parameters": { "epoch_count": 4, "learning_rate_multiplier": 1, }, }, "tunedModelDisplayName": "tuned_gemini_pro", }'
Python
from vertexai.preview import tuning from vertexai.preview.tuning import sft sft_tuning_job = sft.train( source_model="gemini-1.0-pro-002", train_dataset="gs://cloud-samples-data/ai-platform/generative_ai/sft_train_data.jsonl", validation_dataset="gs://cloud-samples-data/ai-platform/generative_ai/sft_validation_data.jsonl", epochs=4, learning_rate_multiplier=1.0, tuned_model_display_name='tuned_gemini_pro' ) stf_tuning_job.to_dict()
Répertorier les jobs de réglage
- PROJECT_ID =
PROJECT_ID
- REGION =
REGION
curl
curl -X GET \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ http://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION}/tuningJobs
Python
from vertexai.preview.tuning import sft sft.SupervisedTuningJob.list()
Obtenir un job de réglage
Liste des paramètres
Paramètres | |
---|---|
|
Nom de ressource du job de réglage. |
Examples
- PROJECT_ID =
PROJECT_ID
- REGION =
REGION
- TUNING_JOB_ID =
TUNING_JOB_ID
curl
curl -X GET \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ http://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION}/tuningJobs/{tuning_job_id}"
Python
from vertexai.preview import tuning job = tuning.SupervisedTuningJob("projects/{PROJECT_ID}/locations/{REGION}/tuningJobs/{tuning_job_id}")
Annuler un job de réglage
Paramètres | |
---|---|
|
Nom de ressource du job de réglage. |
Examples
- PROJECT_ID =
PROJECT_ID
- REGION =
REGION
curl
curl -X POST \ -H "Authorization: Bearer $(gcloud auth print-access-token)" \ -H "Content-Type: application/json" \ http://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION}/tuningJobs/:cancel
Python
from vertexai.preview.tuning import sft sft_tuning_job = sft.SupervisedTuningJob("projects/{PROJECT_ID}/locations/{REGION}/tuningJobs/") sft_tuning_job.cancel()
En savoir plus
Pour obtenir une documentation détaillée, consultez les pages suivantes :