Gemma

Gemma是由Google DeepMind基于Gemini研究和技术开发的一系列开放权重大型语言模型(LLM)。

本仓库包含基于Flax和JAX的推理实现和示例。

了解更多关于Gemma的信息

• Gemma技术报告(v1和v2)详细介绍了模型的能力。
• 访问https://ai.google.dev/gemma获取教程、其他机器学习框架的参考实现等更多信息。

快速开始

安装

1. 安装Gemma需要使用Python 3.10或更高版本。

2. 为CPU、GPU或TPU安装JAX。按照JAX网站上的说明进行操作。

3. 运行以下命令：

python -m venv gemma-demo
. gemma-demo/bin/activate
pip install git+https://github.com/google-deepmind/gemma.git

下载模型

模型检查点可在Kaggle上获取，网址为http://kaggle.com/models/google/gemma。选择一个Flax模型变体，点击⤓按钮下载模型存档，然后将内容解压到本地目录。

或者，访问Hugging Face Hub上的gemma模型。如果安装了huggingface_hub，可以运行以下代码下载模型：

from huggingface_hub import snapshot_download

local_dir = snapshot_download(repo_id="google/gemma-2b-flax")
snapshot_download(repo_id="google/gemma-2b-flax", local_dir=local_dir)

在这两种情况下，存档都包含模型权重和分词器，例如2b Flax变体包含：

2b/              # 包含模型权重的目录
tokenizer.model  # 分词器

运行单元测试

要运行单元测试，请安装可选的[test]依赖项（例如，在源代码树的根目录使用pip install -e .[test]），然后运行：

pytest .

注意，默认情况下会跳过sampler_test.py中的测试，因为Gemma源代码中没有分发分词器。要运行这些测试，请按照上述说明下载分词器，并使用tokenizer.model的路径更新sampler_test.py中的_VOCAB常量。

示例

要运行示例采样脚本，请传入权重目录和分词器的路径：

python examples/sampling.py \
  --path_checkpoint=/path/to/archive/contents/2b/ \
  --path_tokenizer=/path/to/archive/contents/tokenizer.model

还有几个Colab笔记本教程：

• colabs/sampling_tutorial.ipynb包含一个采样示例的Colab笔记本。

• colabs/fine_tuning_tutorial.ipynb包含一个基本教程，介绍如何针对特定任务（如英语到法语翻译）微调Gemma。

• colabs/gsm8k_eval.ipynb是一个包含GSM8K评估参考实现的Colab。

要运行这些笔记本，您需要下载权重和分词器的本地副本（见上文），并使用相应的路径更新ckpt_path和vocab_path变量。

系统要求

Gemma可以在CPU、GPU和TPU上运行。对于GPU，我们建议2B检查点使用8GB+的GPU内存，7B检查点使用24GB+的GPU内存。

贡献

我们欢迎错误报告、拉取请求(PR)和其他贡献。有关PR的详细信息，请参阅CONTRIBUTING.md。

许可证

版权所有 2024 DeepMind Technologies Limited

本代码根据Apache许可证2.0版（"许可证"）授权；除非符合许可证，否则您不得使用此文件。您可以在http://www.apache.org/licenses/LICENSE-2.0获取许可证副本。

除非适用法律要求或书面同意，根据许可证分发的软件是基于"按原样"的基础分发的，不附带任何明示或暗示的担保或条件。有关许可证下特定语言的权限和限制，请参阅许可证。

免责声明

这不是官方的Google产品。