返回
Google
详解Gemini Pro API在Google Colab和本地Python中的应用
2024-10-30 07:02  

详解Gemini Pro API在Google Colab和本地Python中的应用

前2天，我写了Gemini Pro API的两个应用实例 | 定制祝福信息、在VS Code里使用CodeGPT（内有colab的详细操作，不熟悉colab的伙伴翻下之前的文章），今天再介绍下Gemini Pro API在colab和本地python运行的方案。

在Google Colab中使用Gemini模型进行自动聊天和日志记录

代码实现了以下功能：

Google Cloud服务的认证和访问：使用auth.()进行Google Cloud服务的身份验证。通过google.colab.auth库，该代码确保用户已经通过Google账户登录并授权访问Google Cloud资源。安装必要的库：使用!pip install命令安装了google-库，这是用于访问Google的Gemini模型的必要库。挂载Google Drive：使用drive.mount('/content/drive')将用户的Google Drive挂载到Colab环境中。这使得代码可以直接读写Google Drive中的文件。导入必要的库：导入了google.和google.colab模块。这些模块提供访问和操作Gemini模型以及用户数据的功能。配置Gemini API密钥：设定了一个变量me来存储API密钥的名称。使用.get方法从Colab的用户数据中获取Gemini API密钥。初始化Gemini模型：使用genai.('gemini-pro')初始化Gemini模型，允许代码进行自然语言生成操作。开始聊天会话：定义了一个空列表来存储聊天信息。使用一个无限循环，接受用户输入，并将其作为消息添加到列表中。使用Gemini模型生成响应，并将其打印出来。这个过程模仿了一个简单的聊天机器人。聊天日志的记录：指定了一个路径，用于在Google Drive中保存聊天日志。在每次用户和模型交互后google地图api密钥1688库移动站，代码将对话内容追加到指定的文件中，实现聊天记录的持久化。

# Authenticate and grant access to Google Cloud services
from google.colab import auth
auth.authenticate_user()
# Install necessary libraries
!pip install -q -U google-generativeai
# Mount Google Drive
from google.colab import drive
drive.mount('/content/drive')
# import necessary libraries
import google.generativeai as genai
from google.colab import userdata
# Configure Gemini API key
gemini_api_secret_name = 'GOOGLE_API_KEY'  # Change this if your secret name is different
try:
    # Retrieve the Gemini API key from Colab's secrets
    GOOGLE_API_KEY = userdata.get(gemini_api_secret_name)
    genai.configure(api_key=GOOGLE_API_KEY)
except userdata.SecretNotFoundError as e:
    print(f"Secret not found: Ensure you have a secret named {gemini_api_secret_name} in Colab.")
    raise e
except Exception as e:
    print("There was an error retrieving the API key.")
    raise e
# Initialize the Gemini model
model = genai.GenerativeModel('gemini-pro')
# Start a chat
messages = []
# Specify the path for the chat log file in your Google Drive
chat_log_path = '/content/drive/My Drive/chat_log.txt'
while True:
    message = input("You: ")
    messages.append({
        "role": "user",
        "parts": [message],
    })
    response = model.generate_content(messages)
    # Check if response is valid
    if not response.parts or not response.parts[0].text:
        print("Gemini: [No response or the response does not contain text]")
        continue
    response_text = response.parts[0].text
    messages.append({
        "role": "model",
        "parts": [response_text],
    })
    print("Gemini: " + response_text)
    # Append the conversation to the file
    with open(chat_log_path, 'a') as file:
        file.write(f"You: {message}\n")
        file.write(f"Gemini: {response_text}\n")

上面的代码支持持续对话，且可以帮对话保存到谷歌云盘里。

在Google Colab中使用Gemini模型进行图像分析和处理

代码的主要功能是使用Google Colab环境和Gemini模型对上传的图像进行分析。具体步骤和功能如下：

Google Cloud服务的认证：通过auth.()进行Google Cloud服务的身份验证详解Gemini Pro API在Google Colab和本地Python中的应用，确保用户已经通过Google账户登录并授权访问Google Cloud资源。安装必要的库：安装了google-和pillow库。google-用于访问Google的Gemini模型，而pillow是处理图像的Python库。导入必要的库：导入了用于操作Gemini模型和图像处理的相关Python库，如google.、PIL.Image、google.colab.和google.colab.files。配置Gemini API密钥：设置一个变量来存储API密钥的名称，并从Colab的用户数据中获取Gemini API密钥。初始化Gemini模型（视觉版）：使用genai.('gemini-pro-vision')初始化了Gemini模型的视觉处理版，允许代码对图像进行分析和生成操作。上传和读取图像：使用files.upload()从本地文件系统上传图像。利用PIL.Image.open读取上传的图像文件。使用Gemini模型生成内容：将上传的图像和一段文本（请求详细描述图片内容）作为输入，使用Gemini模型对图像进行分析。打印模型的响应文本，这通常包含对上传图像的描述或分析。验证文件上传和图像显示：使用!ls -lh命令列出当前目录的内容，以验证文件是否已上传。使用IPython.display.Image显示上传的图像，确保图像正确上传并可以在中查看。

# Authenticate and grant access to Google Cloud services
from google.colab import auth
auth.authenticate_user()
# Install necessary libraries
!pip install -q -U google-generativeai pillow
# import necessary libraries
import google.generativeai as genai
import PIL.Image
from google.colab import userdata
from google.colab import files
# Configure Gemini API key
gemini_api_secret_name = 'GOOGLE_API_KEY'  # Change this if your secret name is different
try:
    # Retrieve the Gemini API key from Colab's secrets
    GOOGLE_API_KEY = userdata.get(gemini_api_secret_name)
    genai.configure(api_key=GOOGLE_API_KEY)
except userdata.SecretNotFoundError as e:
    print(f"Secret not found: Ensure you have a secret named {gemini_api_secret_name} in Colab.")
    raise e
except Exception as e:
    print("There was an error retrieving the API key.")
    raise e
# Initialize the Gemini model for vision
model = genai.GenerativeModel('gemini-pro-vision')
# Upload an image from your local file system
uploaded = files.upload()
image_name = next(iter(uploaded))
# Read the image directly using the filename
try:
    img = PIL.Image.open(image_name)
except PIL.UnidentifiedImageError:
    print("Error: The file uploaded is not a recognizable image. Please upload a valid image file.")
    raise
except Exception as e:
    print(f"An unexpected error occurred: {e}")
    raise
# Generate content based on the image
response = model.generate_content(["Tell me the content of the pic, please be detailed", img])
# Print the response
print(response.text)
# List the content of the directory to verify the file is uploaded
!ls -lh
# Optionally: Display the image using a different library to check if it's correctly uploaded
from IPython.display import Image, display
display(Image(filename=image_name))

直接复制上述代码到colab即可，在左侧钥匙图标处，添加自己的谷歌API key。

在本地运行Python使用Gemini Pro API

我找到了一个github仓库：

作者从易到难给了好几个示例，直接git clone下来到本地学习即可。

我在本地运行py文件时先遇到了这个问题：

: of 60.0s while calling target , last : 503 failed to connect to all ; last error: UNKNOWN:

解决办法是设置环境变量$http-proxy 和$，可以直接把报错内容，你电脑的代理服务器、端口发给GPT4，它会给你详细指导。

解决好环境问题后，出现新的问题。

设置ADC地址：#how-to

虽然它这里写了使用的API密钥，无需设置ADC。

但是它在本地运行时出现的消息是让我设置ADC。

谷歌的文档很细致google地图api密钥，于是我跟着文档一步步操作下去。

安装后，我测试发现还有问题。

于是，接着下面的操作。

Gradio运行Gemini Pro API：

import google.generativeai as genai
import gradio as gr
import os
genai.configure(api_key=os.getenv("GOOGLE_API_KEY"))
model = genai.GenerativeModel('gemini-pro')
chat = model.start_chat (history=[])
def chat_fun(message, history):                     return chat.send_message(message).text
gr.ChatInterface(chat_fun).queue().launch()

gradio会提供一个webui链接（在运行结果里出现）。

在这篇文章中，我探索了如何在不同环境下使用Gemini Pro API——从Google Colab的自动聊天和日志记录功能，到图像分析处理，再到本地Python环境中的实践应用。我还分享了可能遇到的问题及其解决方案，并提供了通过Gradio运行Gemini Pro API的示例代码。

通过这些步骤，希望你能够顺利地使用Gemini Pro API。

【本文来源于互联网转载，如侵犯您的权益或不适传播，请邮件通知我们删除】

发表评论
0评