Usa i modelli aperti di Gemma con Dataflow

Gemma è una famiglia di modelli aperti, leggeri e all'avanguardia, costruiti della ricerca e della tecnologia usate per creare i modelli Gemini. Puoi utilizzare i modelli Gemma nelle pipeline di inferenza di Apache Beam. Il termine peso aperto indica che i parametri preaddestrati di un modello, o ponderazioni, vengono rilasciate. Dettagli come il set di dati originale, l'architettura del modello e l'addestramento non è stato fornito.

Casi d'uso

Puoi utilizzare i modelli Gemma con Dataflow per analisi del sentiment. Con Dataflow e i modelli Gemma, puoi elaborare eventi, come come recensioni dei clienti, man mano che arrivano. Esegui le revisioni attraverso il modello analizzarli per poi generare 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 Apache Beam SDK Python 2.46.0 e versioni 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. Il T4 e Sono consigliati i tipi di GPU 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 accettare i Termini e condizioni.
  • Scarica il modello Gemma. Salvalo nel formato file .keras in una posizione in cui Può accedere un job Dataflow, ad esempio un bucket Cloud Storage. Quando specifichi un valore per di percorso del modello, utilizza il percorso di questa posizione di archiviazione.
  • Per eseguire il job su Dataflow, crea un container personalizzato dell'immagine. Questo passaggio consente di eseguire la pipeline con GPU dal servizio Dataflow.

Usa Gemma nella tua pipeline

Per utilizzare un modello Gemma nella pipeline Apache Beam, segui questi passaggi.

  1. 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 l'elemento scaricato il modello. Ad esempio, se salvi il modello in un Cloud Storage bucket, il percorso ha il formato gs://STORAGE_PATH/FILENAME.keras.

  2. L'implementazione Keras dei modelli Gemma utilizza un metodo generate() che genera testo basato su un prompt. Per passare elementi generate(), 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)

  3. Esegui la pipeline, specificando il percorso del modello addestrato. Questo 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