درک و پیکربندی پارامترهای مدل

هر تماسی که به یک مدل ارسال می‌کنید شامل مقادیر پارامتری است که نحوه تولید پاسخ مدل را کنترل می‌کند. مدل می تواند نتایج متفاوتی را برای مقادیر پارامترهای مختلف ایجاد کند. برای بدست آوردن بهترین مقادیر برای کار، مقادیر پارامترهای مختلف را آزمایش کنید. پارامترهای موجود برای مدل های مختلف ممکن است متفاوت باشد.

پرش به پارامترهای Gemini پرش به پارامترهای Imagen

پارامترهای مدل های جمینی

در مورد پارامترهای موجود برای استفاده با مدل‌های Gemini ، از جمله نحوه پیکربندی آنها اطلاعات کسب کنید.

این پیکربندی برای طول عمر سرویس اولیه Vertex AI و نمونه مدل حفظ می‌شود. برای به‌روزرسانی پیکربندی مدل، نمونه مدل باید دوباره راه‌اندازی شود.

شرح هر پارامتر

رایج ترین پارامترها به شرح زیر است:

در بخش های بعدی این صفحه با هر یک از این پارامترها آشنا شوید.

حداکثر توکن های خروجی

حداکثر تعداد نشانه هایی که می توان در پاسخ ایجاد کرد. یک نشانه تقریباً چهار کاراکتر است. 100 نشانه تقریباً با 20 کلمه مطابقت دارد.

مقدار کمتری را برای پاسخ‌های کوتاه‌تر و مقدار بالاتر را برای پاسخ‌های طولانی‌تر مشخص کنید.

دما

دما برای نمونه برداری در طول تولید پاسخ استفاده می شود، که زمانی اتفاق می افتد که topP و topK اعمال می شود. دما درجه تصادفی بودن انتخاب نشانه را کنترل می کند. دماهای پایین‌تر برای اعلان‌هایی که نیاز به پاسخ قطعی‌تر و خلاقانه‌تر دارند، خوب است، در حالی که دمای بالاتر می‌تواند منجر به نتایج متنوع‌تر یا خلاقانه‌تر شود. دمای 0 قطعی است، به این معنی که بالاترین پاسخ احتمال همیشه انتخاب می شود.

برای بیشتر موارد استفاده، سعی کنید با دمای 0.2 شروع کنید. اگر مدل یک پاسخ خیلی عمومی، خیلی کوتاه را نشان می‌دهد، یا مدل یک پاسخ بازگشتی می‌دهد، دما را افزایش دهید.

Top-K

Top-K نحوه انتخاب توکن ها را برای خروجی توسط مدل تغییر می دهد. top-K از 1 به این معنی است که نشانه انتخابی بعدی در واژگان مدل (که رمزگشایی حریص نیز نامیده می شود) محتمل ترین نشانه است، در حالی که بالا-K 3 به این معنی است که نشانه بعدی از بین سه نشانه محتمل با استفاده از دما انتخاب می شود.

برای هر مرحله انتخاب توکن، توکن های top-K با بیشترین احتمال نمونه برداری می شوند. سپس توکن‌ها بر اساس top-P فیلتر می‌شوند و نشانه نهایی با استفاده از نمونه‌گیری دما انتخاب می‌شود.

مقدار کمتری را برای پاسخ‌های تصادفی کمتر و مقدار بالاتر را برای پاسخ‌های تصادفی بیشتر تعیین کنید. پیش فرض top-K 40 است.

Top-P

Top-P نحوه انتخاب توکن ها را برای خروجی توسط مدل تغییر می دهد. توکن ها از بیشترین (به top-K) تا کمترین احتمال انتخاب می شوند تا زمانی که مجموع احتمالات آنها با مقدار top-P برابر شود. برای مثال، اگر نشانه‌های A، B و C احتمال 0.3، 0.2 و 0.1 داشته باشند و مقدار top-P 0.5 باشد، مدل A یا B را به عنوان نشانه بعدی با استفاده از دما انتخاب می‌کند و C را به عنوان کاندید حذف می‌کند.

مقدار کمتری را برای پاسخ‌های تصادفی کمتر و مقدار بالاتر را برای پاسخ‌های تصادفی بیشتر تعیین کنید. top-P پیش فرض 0.95 است.

پارامترهای مدل را برای مدل های Gemini پیکربندی کنید

شما پارامترهای مدل را در generationConfig در طول مقداردهی اولیه مدل پیکربندی می کنید. در اینجا یک مثال اساسی آورده شده است:

KotlinJava
// ...

val config = generationConfig {
    maxOutputTokens = 200
    stopSequences = listOf("red")
    temperature = 0.9f
    topK = 16
    topP = 0.1f
}

val generativeModel = Firebase.vertexAI.generativeModel(
    modelName = "GEMINI_MODEL_NAME",
    generationConfig = config
)

// ...

// ...

GenerationConfig.Builder configBuilder = new GenerationConfig.Builder();
configBuilder.maxOutputTokens = 200;
configBuilder.stopSequences = List.of("red");
configBuilder.temperature = 0.9f;
configBuilder.topK = 16;
configBuilder.topP = 0.1f;

GenerationConfig generationConfig = configBuilder.build();

GenerativeModel gm = FirebaseVertexAI.getInstance().generativeModel(
    "GEMINI_MODEL_NAME",
    generationConfig
);

GenerativeModelFutures model = GenerativeModelFutures.from(gm);

// ...

پارامترهای مدل های Imagen

در مورد پارامترهای موجود برای استفاده با مدل های Imagen ، از جمله نحوه پیکربندی آنها اطلاعات کسب کنید.

این پیکربندی برای طول عمر سرویس اولیه Vertex AI و نمونه مدل حفظ می‌شود. برای به‌روزرسانی پیکربندی مدل، نمونه مدل باید دوباره راه‌اندازی شود.

شرح هر پارامتر

می‌توانید فهرست جامعی از پارامترها و مقادیر آنها را در اسناد Google Cloud بیابید، اما در اینجا یک نمای کلی از پارامترهای موجود و مقادیر پیش‌فرض آن‌ها در صورت لزوم ارائه شده است.

پارامتر توضیحات مقدار پیش فرض
اخطار منفی
negativePrompt		 توضیحی درباره آنچه می خواهید در تصاویر تولید شده حذف کنید

این پارامتر هنوز توسط imagen-3.0-generate-002 پشتیبانی نمی شود.

 ---
تعداد نتایج
numberOfImages		 تعداد تصاویر تولید شده برای هر درخواست بازگردانده شده است پیش فرض یک تصویر برای مدل های Imagen 3 است
نسبت ابعاد
aspectRatio		 نسبت عرض به ارتفاع تصاویر تولید شده پیش فرض مربع 1:1 است
فرمت تصویر
imageFormat		 گزینه های خروجی مانند فرمت تصویر (نوع MIME) و سطح فشرده سازی تصاویر تولید شده نوع پیش فرض MIME PNG است
فشرده سازی پیش فرض 75 است (اگر نوع MIME روی JPEG تنظیم شده باشد)
واترمارک
addWatermark		 آیا باید یک واترمارک دیجیتال غیرقابل مشاهده (به نام SynthID ) به تصاویر تولید شده اضافه شود پیش فرض برای مدل های Imagen 3 true است
نسل شخص
personGeneration		 آیا اجازه تولید افراد بر اساس مدل را می دهد پیش فرض بستگی به مدل دارد

پارامترهای مدل را برای مدل های Imagen پیکربندی کنید

KotlinJava
// ...

val config = ImagenGenerationConfig(
    negativePrompt = "frogs",
    numberOfImages = 2,
    aspectRatio = ImagenAspectRatio.LANDSCAPE_16x9,
    imageFormat = ImagenImageFormat.jpeg(compressionQuality = 100),
    addWatermark = false
)

val imagenModel = Firebase.vertexAI.imagenModel(
    modelName = "IMAGEN_MODEL_NAME",
    generationConfig = config
)

// ...

// ...

ImagenGenerationConfig config = new ImagenGenerationConfig.Builder()
    .setNegativePrompt("frogs")
    .setNumberOfImages(2)
    .setAspectRatio(ImagenAspectRatio.LANDSCAPE_16x9)
    .setImageFormat(ImagenImageFormat.jpeg(100))
    .setAddWatermark(false)
    .build();

ImagenModel m = FirebaseVertexAI.getInstance().imagenModel(
    "IMAGEN_MODEL_NAME",
    config
);

ImagenModelFutures model = ImagenModelFutures.from(m);

// ...

گزینه های دیگر برای کنترل تولید محتوا

  • در مورد طراحی سریع بیشتر بیاموزید تا بتوانید مدل را تحت تأثیر قرار دهید تا خروجی خاصی برای نیازهای شما ایجاد کند.
  • از تنظیمات ایمنی برای تنظیم احتمال دریافت پاسخ هایی که ممکن است مضر تلقی شوند، از جمله سخنان مشوق عداوت و تنفر و محتوای صریح جنسی استفاده کنید.
  • دستورالعمل های سیستم را برای هدایت رفتار مدل تنظیم کنید. این ویژگی مانند یک «مقدمه» است که قبل از اینکه مدل در معرض هر دستورالعمل دیگری از کاربر نهایی قرار گیرد، اضافه می‌کنید.
  • یک طرح پاسخ را همراه با اعلان برای تعیین یک طرح خروجی خاص ارسال کنید. این ویژگی بیشتر هنگام تولید خروجی JSON استفاده می‌شود، اما می‌توان از آن برای کارهای طبقه‌بندی نیز استفاده کرد (مانند زمانی که می‌خواهید مدل از برچسب‌ها یا برچسب‌های خاصی استفاده کند).