TextClassifier

طبقه بندی را روی متن انجام می دهد.

این API انتظار دارد یک مدل TFLite با متادیتا مدل TFLite (اختیاری) که شامل تانسورهای ورودی اجباری (شرح داده شده در زیر)، تانسور خروجی و موارد اختیاری (اما توصیه شده) برچسب AssociatedFiles با نوع TENSOR_AXIS_LABELS در هر تانسور طبقه بندی خروجی باشد.

ابرداده برای مدل‌های دارای تانسور ورودی int32 مورد نیاز است زیرا شامل واحد فرآیند ورودی برای Tokenizer مدل است. برای مدل‌های دارای تانسور ورودی رشته‌ای، نیازی به ابرداده نیست.

• تانسورهای ورودی
  • سه تانسور ورودی ( kTfLiteInt32 ) با شکل [batch_size x bert_max_seq_len] که شناسه های ورودی، شناسه های ماسک و شناسه های قطعه را نشان می دهند. این امضای ورودی به یک واحد فرآیند Bert Tokenizer در فراداده مدل نیاز دارد.
  • یا یک تانسور ورودی ( kTfLiteInt32 ) به شکل [batch_size x max_seq_len] که نشان دهنده شناسه های ورودی است. این امضای ورودی به یک واحد فرآیند Regex Tokenizer در فراداده مدل نیاز دارد.
  • یا یک تانسور ورودی ( kTfLiteString ) که بی شکل است یا دارای شکل [1] حاوی رشته ورودی است.
• حداقل یک تانسور خروجی ( kTfLiteFloat32 / kBool ) با:
  • N کلاس و شکل [1 x N]
  • نقشه(های) برچسب اختیاری (اما توصیه شده) به عنوان AssociatedFile-s با نوع TENSOR_AXIS_LABELS، حاوی یک برچسب در هر خط. اولین AssociatedFile (در صورت وجود) برای پر کردن قسمت class_name نتایج استفاده می شود. فیلد display_name از AssociatedFile (در صورت وجود) پر می شود که منطقه آن با فیلد display_names_locale TextClassifierOptions استفاده شده در زمان ایجاد ("en" به طور پیش فرض، یعنی انگلیسی) مطابقت دارد. اگر هیچ یک از اینها در دسترس نباشد، فقط قسمت index نتایج پر می شود.