Gemma è una famiglia di modelli aperti, leggeri e all'avanguardia basati sulla ricerca e sulla tecnologia impiegata per creare i modelli Gemini. Puoi utilizzare i modelli Gemma nelle pipeline di inferenza di Apache Beam. Il termine peso aperto indica che vengono rilasciati i parametri preaddestrati di un modello, o pesi. Dettagli come il set di dati originale, l'architettura del modello e il codice di addestramento non sono forniti.
Per un elenco dei modelli disponibili e dei dettagli su ciascun modello, consulta la panoramica dei modelli Gemma.
Per scoprire come scaricare e utilizzare i modelli, consulta Iniziare a utilizzare Gemma con KerasNLP.
Per scaricare un modello, vedi Modelli Gemma.
Casi d'uso
Puoi utilizzare i modelli Gemma con Dataflow per l'analisi del sentiment. Con i modelli Dataflow e Gemma, puoi elaborare eventi, come le recensioni dei clienti, non appena arrivano. Esegui le revisioni attraverso il modello per analizzarle, quindi genera suggerimenti. Combinando Gemma con Apache Beam, puoi completare questo flusso di lavoro senza problemi.
Supporto e limitazioni
I modelli aperti Gemma sono supportati con Apache Beam e Dataflow con i seguenti requisiti:
- Disponibile per pipeline in modalità flusso e batch che utilizzano l'SDK Apache Beam Python versione 2.46.0 e successive.
- I job Dataflow devono utilizzare Runner v2.
- I job Dataflow devono utilizzare GPU. Per un elenco dei tipi di GPU supportati con Dataflow, consulta Disponibilità. Sono consigliati i tipi di GPU T4 e L4.
- Il modello deve essere scaricato e salvato nel formato file
.keras
. - Il gestore del modello TensorFlow è consigliato, ma non obbligatorio.
Prerequisiti
- Accedi ai modelli Gemma tramite Kaggle.
- Compila il modulo per il consenso e accetta i Termini e condizioni.
- Scarica il modello Gemma. Salvalo nel formato file
.keras
in una posizione a cui il job Dataflow può accedere, ad esempio un bucket Cloud Storage. Quando specifichi un valore per la variabile percorso del modello, utilizza il percorso di questa posizione di archiviazione. - Per eseguire il job su Dataflow, crea un'immagine container
personalizzata. Questo passaggio consente di eseguire la pipeline con GPU nel servizio Dataflow.
- Per visualizzare un flusso di lavoro completo che include la creazione di un'immagine Docker, consulta RunInference on Dataflow in streaming con Gemma in GitHub.
- Per ulteriori informazioni sulla creazione dell'immagine Docker, consulta Creare un'immagine container personalizzata in "Eseguire una pipeline con GPU".
- Per eseguire il push del container in Artifact Registry utilizzando Docker, consulta la sezione Creare ed eseguire il push dell'immagine in "Creare immagini container personalizzate per Dataflow".
Usa Gemma nella tua pipeline
Per utilizzare un modello Gemma nella pipeline Apache Beam, segui questi passaggi.
Nel codice Apache Beam, dopo aver importato le dipendenze della pipeline, includi un percorso al modello salvato:
model_path = "MODEL_PATH"
Sostituisci
MODEL_PATH
con il percorso in cui hai salvato il modello scaricato. Ad esempio, se salvi il modello in un bucket Cloud Storage, il percorso ha il formatogs://STORAGE_PATH/FILENAME.keras
.L'implementazione Keras dei modelli Gemma utilizza un metodo
generate()
che genera testo in base a un prompt. Per passare elementi al metodogenerate()
, utilizza una funzione di inferenza personalizzata.def gemma_inference_function(model, batch, inference_args, model_id): vectorized_batch = np.stack(batch, axis=0) # The only inference_arg expected here is a max_length parameter to # determine how many words are included in the output. predictions = model.generate(vectorized_batch, **inference_args) return utils._convert_to_result(batch, predictions, model_id)
Esegui la pipeline, specificando il percorso del modello addestrato. Questo esempio utilizza un gestore di modelli TensorFlow.
class FormatOutput(beam.DoFn): def process(self, element, *args, **kwargs): yield "Input: {input}, Output: {output}".format(input=element.example, output=element.inference) # Instantiate a NumPy array of string prompts for the model. examples = np.array(["Tell me the sentiment of the phrase 'I like pizza': "]) # Specify the model handler, providing a path and the custom inference function. model_handler = TFModelHandlerNumpy(model_path, inference_fn=gemma_inference_function) with beam.Pipeline() as p: _ = (p | beam.Create(examples) # Create a PCollection of the prompts. | RunInference(model_handler, inference_args={'max_length': 32}) # Send the prompts to the model and get responses. | beam.ParDo(FormatOutput()) # Format the output. | beam.Map(print) # Print the formatted output. )
Passaggi successivi
- Crea una pipeline di flusso Dataflow che utilizza RunInference e Gemma.
- Esegui l'inferenza con un modello aperto Gemma in Google Colab (richiede Colab Enterprise).
- Esegui una pipeline con GPU.
- Ottimizza il tuo modello.