Classe TextEmbeddingModel (1.50.0) 

TextEmbeddingModel(model_id: str, endpoint_name: typing.Optional[str] = None)

Crea un LanguageModel.

Questo costruttore non deve essere chiamato direttamente. Usa invece il criterio LanguageModel.from_pretrained(model_name=...).

Parametri
Nome Description
model_id str

Identificatore di un LLM Vertex. Esempio: "text-bison@001"
endpoint_name typing.Optional[str]

Nome della risorsa Vertex Endpoint per il modello

Metodi

deploy_tuned_model

deploy_tuned_model(
    tuned_model_name: str,
    machine_type: typing.Optional[str] = None,
    accelerator: typing.Optional[str] = None,
    accelerator_count: typing.Optional[int] = None,
) -> vertexai.language_models._language_models._LanguageModel

Carica il modello linguistico ottimizzato specificato.

Parametri
Nome Description
machine_type typing.Optional[str]

Tipo di macchina. Ad esempio, "a2-highgpu-1g". Vedi anche: https://cloud.google.com/vertex-ai/docs/training/configure-compute.
accelerator typing.Optional[str]

Una specie di acceleratore. Ad esempio, "NVIDIA_TESLA_A100". Vedi anche: https://cloud.google.com/vertex-ai/docs/training/configure-compute.
accelerator_count typing.Optional[int]

Conteggio degli acceleratori.

from_pretrained

from_pretrained(model_name: str) -> vertexai._model_garden._model_garden_models.T

Carica un oggetto _ModelGardenModel.

Parametro
Nome Description
model_name str

Nome del modello.
Eccezioni
Tipo Description
ValueError Se model_name è sconosciuto.
ValueError Se il modello non supporta questa classe.

get_embeddings

get_embeddings(
    texts: typing.List[typing.Union[str, vertexai.language_models.TextEmbeddingInput]],
    *,
    auto_truncate: bool = True,
    output_dimensionality: typing.Optional[int] = None
) -> typing.List[vertexai.language_models.TextEmbedding]

Calcola gli incorporamenti per i testi specificati.

Parametro
Nome Description
texts typing.List[typing.Union[str, vertexai.language_models.TextEmbeddingInput]]

Un elenco di testi o TextEmbeddingInput oggetti da incorporare.

get_embeddings_async

get_embeddings_async(
    texts: typing.List[typing.Union[str, vertexai.language_models.TextEmbeddingInput]],
    *,
    auto_truncate: bool = True,
    output_dimensionality: typing.Optional[int] = None
) -> typing.List[vertexai.language_models.TextEmbedding]

Calcola in modo asincrono gli incorporamenti per i testi specificati.

Parametro
Nome Description
texts typing.List[typing.Union[str, vertexai.language_models.TextEmbeddingInput]]

Un elenco di testi o TextEmbeddingInput oggetti da incorporare.

get_tuned_model

get_tuned_model(*args, **kwargs)

Carica il modello linguistico ottimizzato specificato.

list_tuned_model_names

list_tuned_model_names() -> typing.Sequence[str]

Elenca i nomi dei modelli ottimizzati.

tune_model

tune_model(
    *,
    training_data: typing.Optional[str] = None,
    corpus_data: typing.Optional[str] = None,
    queries_data: typing.Optional[str] = None,
    test_data: typing.Optional[str] = None,
    validation_data: typing.Optional[str] = None,
    batch_size: typing.Optional[int] = None,
    train_steps: typing.Optional[int] = None,
    tuned_model_location: typing.Optional[str] = None,
    model_display_name: typing.Optional[str] = None,
    task_type: typing.Optional[str] = None,
    machine_type: typing.Optional[str] = None,
    accelerator: typing.Optional[str] = None,
    accelerator_count: typing.Optional[int] = None
) -> vertexai.language_models._language_models._LanguageModelTuningJob

Ottimizza un modello in base ai dati di addestramento.

Questo metodo avvia e restituisce un job di ottimizzazione del modello asincrono. Utilizzo:

tuning_job = model.tune_model(...)
... do some other work
tuned_model = tuning_job.get_tuned_model()  # Blocks until tuning is complete
Eccezioni
Tipo Description
ValueError Se il valore "tuned_model_location" non è supportato
RuntimeError Se il modello non supporta l'ottimizzazione