Dokumen ini berisi daftar tutorial notebook untuk AI generatif di Vertex AI. Tutorial tersebut merupakan panduan menyeluruh yang menjelaskan cara menggunakan beberapa LLM GenAI.
Tutorial unggulan
-
Kasus penggunaan multimodal dengan Gemini
Jelajahi berbagai kasus penggunaan dengan multimodal dengan Gemini.
-
Panggilan Fungsi dengan Vertex AI Gemini API & Python SDK
Gunakan Vertex AI Gemini API dengan Vertex AI SDK for Python untuk melakukan panggilan fungsi menggunakan model Gemini 1.0 Pro (
gemini-1.0-pro). -
Mulai Menggunakan Penyelarasan dengan Gemini di Vertex AI
Gunakan model teks generatif untuk membuat konten yang didasarkan pada dokumen dan data Anda.
Daftar tutorial
| Multimodal Gemini |
Gunakan Gemini 1.5 Pro untuk menganalisis file audio, memahami video, mengekstrak informasi dari PDF, dan memproses beberapa jenis media secara bersamaan. |
|
| Multimodal Gemini |
Gunakan notebook ini untuk mempelajari cara membuat kode, meringkas codebase, men-debug, meningkatkan kode, dan menilai kode dengan Gemini 1.5 Pro. |
|
| Multimodal Gemini |
Mulai menggunakan Gemini (cUrl) Gunakan Gemini API, yang memberi Anda akses ke model bahasa besar terbaru Google, dengan REST/curl. |
|
| Multimodal Gemini |
Gunakan Gemini API, yang memberi Anda akses ke model bahasa besar terbaru Google, dengan Vertex AI SDK untuk Python. |
|
| Multimodal Gemini |
Kasus penggunaan multimodal dengan Gemini Model Gemini adalah model bahasa multimodal yang inovatif yang dikembangkan oleh Google AI, yang mampu mengekstrak insight yang bermakna dari berbagai format data, termasuk gambar, dan video. Notebook ini mengeksplorasi berbagai kasus penggunaan dengan perintah multimodal. |
|
| Evaluasi Gemini |
Memulai Layanan Evaluasi Gen AI di Vertex AI SDK untuk Python Gunakan Gen AI Evaluation Service SDK untuk mengevaluasi model Gemini pada tugas evaluasi, dengan Vertex AI SDK untuk Python. |
|
| Evaluasi Gemini |
Prompt Engineering, Evaluasi, dan Pembuatan Template Perintah dengan Gemini Gunakan Gen AI Evaluation Service SDK untuk rekayasa dan evaluasi prompt dengan model Gemini, dengan Vertex AI SDK untuk Python. |
|
| Evaluasi Gemini |
Membandingkan dan Memilih Model Generatif Gunakan Gen AI Evaluation Service SDK untuk membandingkan dan mengevaluasi berbagai model generatif pada tugas evaluasi tertentu, lalu memvisualisasikan dan membandingkan hasil evaluasi untuk tugas tersebut, dengan Vertex AI SDK untuk Python. |
|
| Evaluasi Gemini |
Mengevaluasi dan Membandingkan Setelan Pembuatan Model Gemini Gunakan Gen AI Evaluation Service SDK untuk mengevaluasi dan memilih suhu serta konfigurasi pembuatan model lainnya dari Gemini dan membandingkan hasil metrik dari berbagai setelan pembuatan, dengan Vertex AI SDK untuk Python. |
|
| Evaluasi Gemini |
Membandingkan dan bermigrasi dari PaLM ke Model Gemini Notebook ini memandu Anda menggunakan Gen AI Evaluation Service SDK untuk mengevaluasi model dasar PaLM dan Gemini dengan beberapa metrik evaluasi, guna mendukung keputusan terkait migrasi dari satu model ke model lainnya. Metrik ini divisualisasi untuk membantu Anda mendapatkan insight tentang kelebihan dan kekurangan setiap model, yang pada akhirnya membantu Anda membuat keputusan yang tepat tentang model mana yang paling sesuai dengan persyaratan spesifik kasus penggunaan Anda. |
|
| Evaluasi Gemini |
Panduan Migrasi Pratinjau ke GA untuk SDK Layanan Evaluasi Gen AI Dalam tutorial ini, Anda akan mendapatkan panduan mendetail tentang cara bermigrasi dari versi Pratinjau ke versi GA terbaru Vertex AI Python SDK untuk Gen AI Evaluation Service guna mengevaluasi Retrieval-Augmented Generation (RAG) dan membandingkan dua model secara berdampingan (SxS). |
|
| Evaluasi Gemini |
Mengevaluasi dan Membandingkan Setelan Pembuatan Model Gemini Gunakan Gen AI Evaluation Service SDK untuk mengevaluasi dan memilih suhu serta konfigurasi pembuatan model lainnya dari Gemini dan membandingkan hasil metrik dari berbagai setelan pembuatan, dengan Vertex AI SDK untuk Python. |
|
| Evaluasi Gemini |
Menyesuaikan Metrik Berbasis Model untuk Mengevaluasi Model AI Generatif Gunakan Gen AI Evaluation Service SDK untuk menyesuaikan metrik berbasis model dan mengevaluasi model AI generatif berdasarkan kriteria Anda, dengan Vertex AI SDK untuk Python. |
|
| Evaluasi Gemini |
Gunakan Gen AI Evaluation Service SDK untuk mengevaluasi model AI generatif dengan metrik kustom yang ditentukan secara lokal, dan gunakan model autorater Anda sendiri untuk melakukan evaluasi metrik berbasis model, dengan Vertex AI SDK untuk Python. |
|
| Evaluasi Gemini |
Membawa Metrik Kustom Berbasis Komputasi Sendiri untuk Mengevaluasi Model AI Generatif Gunakan Gen AI Evaluation Service SDK untuk mengevaluasi model AI generatif dengan metrik kustom berbasis komputasi yang ditentukan secara lokal, dengan Vertex AI SDK untuk Python. |
|
| Evaluasi Gemini |
Mengevaluasi Kualitas Panggilan Fungsi Model Gemini 1.0 Pro Buat panggilan fungsi dengan model Gemini 1.0 Pro, dan gunakan Gen AI Evaluation Service SDK untuk mengevaluasi kualitas panggilan fungsi model Gemini 1.0 Pro, dengan Vertex AI SDK for Python. |
|
| Evaluasi Gemini |
Gunakan Gen AI Evaluation Service SDK untuk mengevaluasi jawaban yang dihasilkan Retrieval-Augmented Generation (RAG) untuk tugas Pertanyaan dan Jawaban (QA), dengan Vertex AI SDK untuk Python. |
|
| Streamlit Multimodal Gemini |
Men-deploy aplikasi Streamlit ke Cloud Run dengan Gemini Pro Aplikasi contoh untuk men-deploy aplikasi chatbot sederhana menggunakan Streamlit ke Cloud Run dengan Gemini Pro. |
|
| Retrieval-augmented-generation Multimodal Gemini |
Memperluas dari RAG, yang secara tradisional dilakukan pada data teks, notebook ini menunjukkan cara menjalankan RAG pada data multimodal untuk melakukan Tanya Jawab dalam makalah ilmiah yang berisi teks dan gambar. |
|
| Multimodal Gemini |
Menggunakan Gemini di Education Menggunakan model Gemini dalam pendidikan, dengan berbagai contoh perintah, dan di seluruh modalitas termasuk gambar dan video. |
|
| Multimodal Gemini |
Menggunakan Gemini untuk Rekomendasi Retail Multimodal Di dunia retail, rekomendasi berperan penting dalam memengaruhi keputusan pelanggan dan mendorong penjualan. Dalam notebook ini, Anda akan mempelajari cara memanfaatkan kecanggihan multimodalitas untuk melakukan rekomendasi retail guna membantu pelanggan memilih kursi terbaik di antara empat gambar kursi, berdasarkan gambar ruang tamu mereka. |
|
| Panggilan Fungsi Multimodal Gemini |
Pengantar Panggilan Fungsi dengan Gemini Gunakan model Gemini Pro untuk:
|
|
| Penyesuaian |
Menyesuaikan model dasar dengan Vertex AI Ikuti seluruh proses penyiapan dan integrasi. Dari penyiapan lingkungan, hingga pemilihan model dasar, lalu penyesuaian dengan Vertex AI. |
|
| Evaluasi |
Layanan Evaluasi LLM Vertex AI Gunakan Layanan Evaluasi LLM Vertex AI bersama dengan layanan Vertex AI lainnya. |
|
| LangChain |
Jalankan rantai LangChain dan cetak detail tentang apa yang terjadi di setiap langkah rantai dan dengan titik henti sementara proses debug opsional. |
|
| Teks |
Pelatihan Advanced Prompt Engineering Gunakan Chain of Thought dan ReAct (Reasoning + Acting) untuk membuat perintah dan mengurangi halusinasi. |
|
| Embeddings |
Menggunakan Embedding Vertex AI untuk Model Multi-mode dan Penelusuran Vektor Buat embedding teks ke gambar menggunakan set data DiffusionDB dan model Embedding Vertex AI untuk Multimodal. Embedding diupload ke layanan Penelusuran Vektor, yang merupakan solusi latensi rendah dan berskala tinggi untuk menemukan vektor serupa untuk korpus berukuran besar. |
|
| Embeddings |
Penelusuran Semantik menggunakan Embedding Buat embedding yang dihasilkan dari teks dan lakukan penelusuran semantik. Embedding dihasilkan menggunakan Google ScaNN: Efficient Vector Similarity Search. |
|
| Evaluasi |
AutoSxS: Mengevaluasi LLM di Vertex AI Model Registry terhadap model pihak ketiga Gunakan Vertex AI automatic side by side (AutoSxS) untuk mengevaluasi performa antara model AI generatif di Vertex AI model registry dan model bahasa pihak ketiga. |
|
| Evaluasi |
AutoSxS: Memeriksa perataan pengukur otomatis terhadap set data preferensi manusia Gunakan Vertex AI otomatis berdampingan (AutoSxS) untuk menentukan seberapa baik penilai otomatis selaras dengan penilai manusia. |
|
| Penyesuaian |
Pembelajaran Penguatan LLM Vertex AI dari Masukan Manusia Gunakan RLHF Vertex AI untuk menyesuaikan model bahasa besar (LLM). Alur kerja ini meningkatkan akurasi model dengan menyesuaikan model dasar dengan set data pelatihan. |
|
| Penyesuaian |
Inferensi Batch Vertex AI dengan Model yang Disesuaikan RLHF Tutorial ini menunjukkan cara melakukan inferensi pada model bahasa besar (LLM) OSS yang disesuaikan RLHF secara menyeluruh dengan Vertex AI. |
|
| Embeddings |
Coba model penyematan teks baru. |
|
| Penyesuaian |
Vertex AI Menyesuaikan model PEFT Sesuaikan model bahasa besar (LLM) PEFT dan buat prediksi. Alur kerja ini meningkatkan akurasi model dengan menyesuaikan model dasar dengan set data pelatihan. |
|
| Teks |
Menggunakan Vertex AI SDK dengan Model Bahasa Besar Gunakan Vertex AI SDK untuk menjalankan Model Bahasa Besar di Vertex AI. Menguji, menyesuaikan, dan men-deploy model bahasa AI generatif. Mulailah dengan mempelajari contoh ringkasan konten, analisis sentimen, chat, penyematan teks, dan penyesuaian perintah. |
|
Percakapan Penelusuran Pengindeksan Datastore |
Pemeriksa Status Penampung Data Vertex AI Search and Conversation Vertex AI Search and Conversation Data Store Status Checker adalah notebook yang menggunakan Cloud Discovery Engine API untuk memeriksa dokumen yang diindeks di Data Store. Izin ini memungkinkan pengguna melakukan tugas berikut:
|
|
Chirp Pengenalan Ucapan |
Mulai menggunakan Chirp di Google Cloud Notebook ini adalah pengantar Chirp, layanan speech-to-text yang menggunakan teknologi pengenalan ucapan canggih Google. API ini menyediakan antarmuka yang sederhana dan mudah digunakan bagi developer untuk mem-build aplikasi yang mendukung ucapan. |
|
Memfilter Penelusuran Metadata |
Vertex AI Search dengan Filter & Metadata Vertex AI Search adalah layanan terkelola sepenuhnya yang memungkinkan Anda mem-build dan men-deploy aplikasi penelusuran di Google Cloud. Notebook ini menunjukkan cara menggunakan filter dan metadata dalam permintaan penelusuran ke Vertex AI Search. |
|
Pembuatan-augmentasi-pengambilan untuk Penjawaban pertanyaan Dokumen |
Mendokumentasikan Tanya Jawab dengan Retrieval Augmented Generation Notebook ini menunjukkan cara menggunakan Retrieval Augmented Generation (RAG) untuk membuat sistem menjawab pertanyaan untuk dokumentasi Google. Tutorial ini menunjukkan cara menggunakan RAG untuk membuat teks yang menjawab pertanyaan tertentu, dan cara menggunakan RAG untuk meningkatkan performa sistem menjawab pertanyaan. |
|
Penelusuran Pengambilan Generasi Kontrak |
Notebook ini menunjukkan cara menggunakan retrieval augmented generation untuk membuat teks kontrak. Model ini menggunakan model Palm2 & LangChain, yang telah dilatih sebelumnya pada korpus besar teks hukum dan keuangan. |
|
LangChain Penelusuran Retrieval-augmented generation untuk menjawab pertanyaan |
Pembahasan Pertanyaan Melalui Dokumen Notebook ini menunjukkan cara mengajukan dan menjawab pertanyaan tentang data Anda dengan menggabungkan mesin Vertex AI Search dengan LLM. Secara khusus, kita berfokus pada kueri data 'tidak terstruktur' seperti file PDF dan HTML. Untuk menjalankan notebook ini, Anda harus membuat mesin telusur tidak terstruktur dan menyerap dokumen PDF atau HTML ke dalamnya. |
|
Penelusuran Menjawab Pertanyaan Vertex AI Search untuk menjawab pertanyaan secara massal |
Jawab Pertanyaan Massal dengan Vertex AI Search Notebook ini menunjukkan cara menjawab pertanyaan dari CSV menggunakan penyimpanan data Vertex AI Search. Model ini dapat dijalankan di Colab atau Vertex AI Workbench. |
|
Language Orchestration LangChain PaLM |
Memulai LangChain 🦜️🔗 + PaLM API Notebook ini memberikan pengantar tentang LangChain, framework orkestrasi model bahasa. Contoh ini menunjukkan cara menggunakan LangChain dengan PaLM API untuk membuat dan men-deploy model pembuatan teks ke teks. |
|
BigQuery Data Loader LangChain |
Cara menggunakan LangChain 🦜️🔗 BigQuery Data Loader Notebook ini menunjukkan cara menggunakan LangChain BigQuery Data Loader untuk memuat data dari BigQuery ke dalam model LangChain. Notebook ini memberikan petunjuk langkah demi langkah tentang cara menyiapkan loader data, memuat data ke dalam model, dan melatih model. |
|
Codey Pembuatan kode Pembuatan kode dengan pengambilan yang ditingkatkan |
Menggunakan Retrieval Augmented Generation (RAG) dengan Codey API Notebook ini menunjukkan cara menggunakan Retrieval Augmented Generation (RAG) dengan Codey API. RAG adalah teknik yang menggabungkan pengambilan kode dengan pembuatan kode untuk menghasilkan saran penyelesaian kode yang lebih akurat dan informatif. |
|
Bahasa Pembuatan Kode Codey |
Memulai Vertex AI Codey API - Pembuatan Kode Notebook ini memberikan pengantar tentang Vertex AI Codey API untuk pembuatan kode. Panduan ini membahas dasar-dasar cara menggunakan API, termasuk cara membuat dan men-deploy model pembuatan kode, serta cara menggunakannya untuk membuat kode. |
|
Codey Penyelesaian kode Pembuatan kode |
Memulai Vertex AI Codey API - Penyelesaian Kode Notebook ini menunjukkan cara menggunakan Vertex AI Codey API untuk mendapatkan saran penyelesaian kode untuk kode Python Anda. Codelab ini juga menunjukkan cara menggunakan API untuk membuat cuplikan kode dan menjalankan cuplikan kode di lingkungan jarak jauh. |
|
Codey Code-chat Chat Code-generation Text-generation |
Memulai Vertex AI Codey API - Code Chat Notebook ini adalah pengantar Vertex AI Codey API. Panduan ini membahas dasar-dasar cara menggunakan API, termasuk cara membuat dan men-deploy model, serta cara berinteraksi dengannya menggunakan Codey CLI. |
|
Language PaLM Python SDK |
Notebook ini memberikan pengantar tentang PaLM API dan Python SDK. Panduan ini membahas dasar-dasar cara menggunakan API, termasuk cara membuat dan men-deploy model, serta cara menggunakan API untuk membuat teks, menerjemahkan bahasa, dan menulis berbagai jenis konten kreatif. |
|
Perintah bahasa |
Desain Perintah - Praktik Terbaik Notebook ini memberikan pengantar tentang desain perintah untuk model bahasa berbasis teks. Artikel ini membahas dasar-dasar perintah, termasuk cara kerjanya dan cara menulisnya. Notebook ini juga memberikan tips tentang cara meningkatkan perintah Anda dan menghindari kendala umum. |
|
Ekstraksi-teks |
Ekstraksi Teks dengan Model Generatif di Vertex AI Notebook ini menunjukkan cara menggunakan model generatif untuk mengekstrak teks dari gambar. Model ini menggunakan model text-to-image dari library generative-ai Vertex AI dan model text-extraction dari library text-extraction Vertex AI. |
|
Klasifikasi-teks |
Klasifikasi Teks dengan Model Generatif di Vertex AI Notebook ini menunjukkan cara menggunakan model generatif untuk melakukan klasifikasi teks di Vertex AI. Panduan ini membahas topik berikut: * Menyiapkan data * Melatih model * Men-deploy model * Menggunakan model untuk mengklasifikasikan teks |
|
Chain of thought React |
Notebook ini memperkenalkan Chain of Thought dan ReAct, dua alat yang dapat digunakan untuk meningkatkan performa algoritma reinforcement learning. Chain of Thought adalah teknik yang dapat digunakan untuk meningkatkan efisiensi iterasi nilai, sedangkan ReAct adalah teknik yang dapat digunakan untuk meningkatkan stabilitas algoritma aktor-kritikus. |
|
Ideasi perintah bahasa |
Pembentukan ide dengan Model Generatif di Vertex AI Notebook ini menunjukkan cara menggunakan model generatif untuk membuat teks, gambar, dan kode. Panduan ini juga menunjukkan cara menggunakan Vertex AI untuk men-deploy dan mengelola model generatif. |
|
Perangkuman |
Ringkasan Teks dengan Model Generatif di Vertex AI Notebook ini menunjukkan cara menggunakan Vertex AI untuk melatih dan men-deploy model ringkasan teks. Model ini menggunakan model BART, yang merupakan model bahasa besar yang telah dilatih sebelumnya pada set data teks yang masif. Model ini kemudian disesuaikan pada set data ringkasan teks, dan kemudian dapat digunakan untuk membuat ringkasan teks baru. |
|
Penjawaban pertanyaan |
Menjawab Pertanyaan dengan Model Generatif di Vertex AI Notebook ini menunjukkan cara menggunakan model generatif untuk menjawab pertanyaan open domain. Model ini menggunakan model Vertex AI Transformer untuk membuat teks berdasarkan pertanyaan tertentu. |
|
Deployment Penyesuaian Model Dasar Pembuatan Teks |
Menyesuaikan dan men-deploy model dasar Notebook ini menunjukkan cara menyesuaikan model dasar menggunakan Vertex AI. Modul ini juga menunjukkan cara men-deploy model yang disesuaikan ke endpoint Vertex AI. |
|
Peringkasan Peringkasan Dokumen |
Notebook ini menunjukkan cara menggunakan model besar t5 untuk meringkas dokumen besar. Model ini dilatih dengan set data teks dan kode yang sangat besar, dan dapat menghasilkan ringkasan yang akurat dan ringkas. |
|
Ringkasan LangChain Peringkasan Dokumen |
Ringkasan Teks Dokumen Besar menggunakan LangChain 🦜🔗 Notebook ini menunjukkan cara menggunakan model LangChain untuk meringkas dokumen besar. LangChain adalah model bahasa besar yang dapat menghasilkan teks, menerjemahkan bahasa, menulis berbagai jenis konten kreatif, dan menjawab pertanyaan Anda dengan cara yang informatif. |
|
Peringkasan dokumen Peringkasan Model bahasa Document AI Peringkasan teks |
Peringkasan dengan Dokumen Besar menggunakan Document AI dan PaLM API Notebook ini menunjukkan cara menggunakan Document AI dan PaLM API untuk meringkas dokumen berukuran besar. Panduan ini juga menunjukkan cara menggunakan Document AI API untuk mengekstrak entity dan frasa kunci dari dokumen. |
|
Pembuatan Teks Chatbot |
GroceryBot, contoh asisten bahan makanan dan resep - RAG + ReAct Notebook ini membahas contoh asisten bahan makanan dan resep yang menggunakan RAG dan ReAct. Aplikasi ini dapat membantu Anda menemukan resep, membuat daftar belanja, dan menjawab pertanyaan tentang makanan. |
|
LangChain Dokumen-QA menjawab pertanyaan |
Pembahasan Pertanyaan dengan Dokumen Besar menggunakan LangChain 🦜🔗 Notebook ini menunjukkan cara menggunakan model LangChain untuk membuat sistem menjawab pertanyaan yang dapat menjawab pertanyaan tentang dokumen panjang. Model ini dilatih dengan korpus teks yang besar dan dapat digunakan untuk menjawab pertanyaan tentang topik apa pun. |
|
Penelusuran Vektor LangChain Dokumen-QA yang menjawab pertanyaan |
Menjawab Pertanyaan dengan Dokumen menggunakan LangChain 🦜️🔗 dan Vertex AI Vector Search Notebook ini menunjukkan cara menggunakan LangChain dan Vertex AI Vector Search (sebelumnya Matching Engine) untuk membuat sistem menjawab pertanyaan untuk dokumen. Sistem ini dapat menjawab pertanyaan tentang entitas, tanggal, dan angka dalam dokumen. |
|
PaLM yang menjawab Pertanyaan Document AI |
Jawab pertanyaan dengan Dokumen menggunakan Document AI, Pandas, dan PaLM Notebook ini menunjukkan cara menggunakan Document AI, Pandas, dan PaLM untuk membuat sistem menjawab pertanyaan. Pertama, kode ini menggunakan Document AI untuk mengekstrak data terstruktur dari dokumen, lalu menggunakan Pandas untuk membuat dataframe dari data yang diekstrak, dan terakhir menggunakan PaLM untuk menghasilkan jawaban atas pertanyaan tentang data. |
|
Penjawaban Pertanyaan Dokumen-QA |
Pembahasan Pertanyaan dengan Dokumen Besar Notebook ini menunjukkan cara menggunakan layanan Vertex AI Question Answering untuk membuat model menjawab pertanyaan yang dapat menjawab pertanyaan dari dokumen besar. Model ini dilatih pada set data artikel Wikipedia dan dapat menjawab pertanyaan tentang berbagai topik. |
|
Pembuatan Gambar |
Generator Deskripsi Produk dari Gambar Notebook ini menunjukkan cara membuat deskripsi produk dari gambar menggunakan model teks ke gambar. Model dilatih dengan set data gambar produk dan deskripsinya yang sesuai. |
|
LangChain Retail Generation |
Notebook ini menunjukkan cara menggunakan model LangChain untuk membuat deskripsi produk yang dioptimalkan SEO untuk retail. Model ini menggunakan daftar atribut produk sebagai input dan menghasilkan deskripsi singkat yang menyoroti fitur utama produk. |
|
Pembuatan Teks BigQuery DataFrames |
BigQuery DataFrames ML: Pembuatan Nama Obat Notebook ini menunjukkan cara menggunakan BigQuery DataFrames ML untuk membuat nama obat. Model ini menggunakan model bahasa terlatih untuk membuat teks, lalu memfilter hasilnya untuk menghapus nama obat yang sudah digunakan. |
|
Pembuatan Kode BigQuery DataFrames |
Menggunakan BigQuery DataFrames dengan AI Generatif untuk pembuatan kode Notebook ini menunjukkan cara menggunakan BigQuery DataFrames dengan AI Generatif untuk pembuatan kode. Codelab ini menunjukkan cara menggunakan model bahasa terlatih untuk membuat kode yang mengubah tabel BigQuery menjadi DataFrame Pandas. |
|
Model Bahasa BigQuery |
Menggunakan LLM Vertex AI dengan data di BigQuery Notebook ini menunjukkan cara menggunakan LLM Vertex AI dengan data di BigQuery. Tutorial ini menunjukkan cara memuat data dari BigQuery, membuat model LLM, lalu menggunakan model tersebut untuk membuat teks berdasarkan data. |
|
Visualisasi Kemiripan Embedding |
Memvisualisasikan kesamaan penyematan dari dokumen teks menggunakan plot t-SNE Notebook ini menunjukkan cara memvisualisasikan kemiripan penyematan dari dokumen teks menggunakan plot t-SNE. Model ini menggunakan set data ulasan film dari [set data IMDB](https://datasets.imdbws.com/). |
|
Penelusuran Vektor dengan Embedding Teks |
Memulai Sematan Teks + Penelusuran Vektor Vertex AI Notebook ini memberikan pengantar tentang embedding teks dan cara menggunakannya dengan Vertex AI Vector Search. Panduan ini membahas dasar-dasar penyematan teks, cara melatihnya, dan cara menggunakannya untuk melakukan penelusuran vektor. |
|
Embeddings Vector Search |
Panduan Mulai Cepat Vector Search Vertex AI Notebook ini adalah panduan memulai untuk menggunakan Vertex AI Vector Search. Panduan ini membahas dasar-dasar penelusuran vektor, termasuk cara membuat indeks vektor, cara mengupload data ke indeks, dan cara menjalankan kueri penelusuran vektor. |
|
Pembuatan gambar Imagen 3 |
Pembuatan Gambar dengan Imagen di Vertex AI Dalam notebook ini, Anda akan mempelajari fitur pembuatan gambar Imagen menggunakan Vertex AI SDK untuk Python dan model standar dan latensi rendah Imagen 3. Pelajari lebih lanjut fitur pembuatan gambar Imagen. |
|
Pembuatan gambar Imagen 2 |
Pembuatan Gambar dengan Imagen di Vertex AI Dalam notebook ini, Anda akan mempelajari fitur pembuatan gambar Imagen menggunakan Vertex AI SDK untuk Python. Pelajari lebih lanjut fitur pembuatan gambar Imagen. |
|
Pembuatan gambar Imagen 3 |
Membuat aset visual berkualitas tinggi dengan Imagen 3 dan Gemini 1.5 Pro Dalam notebook ini, Anda akan membuat aset visual berkualitas tinggi untuk menu restoran menggunakan Imagen 3 dan Gemini 1.5 Pro. Pelajari lebih lanjut pembuatan gambar dan model multimodal. |
|
Pengeditan gambar Imagen 2 |
Dalam notebook ini, Anda akan mempelajari fitur pengeditan gambar Imagen menggunakan Vertex AI SDK untuk Python. |
|
Visual Question Answering (VQA) gambar Imagen |
Visual Question Answering (VQA) dengan Imagen di Vertex AI Notebook ini menunjukkan cara menggunakan Imagen untuk membuat gambar yang menjawab pertanyaan tertentu. Panduan ini juga menunjukkan cara men-deploy model ke Vertex AI dan menggunakannya untuk membuat gambar sebagai respons atas pertanyaan yang diberikan pengguna. |
|
Pemberian teks pada gambar Imagen |
Pemberian teks visual dengan Imagen di Vertex AI Notebook ini menunjukkan cara menggunakan Imagen, model bahasa besar untuk pembuatan gambar, guna menghasilkan teks untuk gambar. Modul ini juga menunjukkan cara men-deploy model di Vertex AI. |
Langkah selanjutnya
- Pelajari model LLM, Vertex AI, dan PaLM dengan tutorial notebook.
- Pelajari referensi lainnya di repo GitHub AI Generatif.
- Lihat tutorial notebook Vertex AI lainnya di Ringkasan tutorial.