Tích hợp thuật toán phân loại ngôn ngữ tự nhiên BERT

API BertNLClassifier của Thư viện tác vụ rất giống với NLClassifier giúp phân loại văn bản đầu vào thành nhiều danh mục, ngoại trừ API này được thiết kế đặc biệt cho các mô hình liên quan đến Bert có yêu cầu Wordware và Mã hoá từng câu bên ngoài mô hình TFLite.

Các tính năng chính của BertNLClassifier API

  • Lấy một chuỗi đơn làm dữ liệu đầu vào, thực hiện phân loại bằng chuỗi và cho ra <label, score=""> làm kết quả phân loại.</label,>

  • Thực hiện từ vựng ngoài đồ thị hoặc Đoạn câu mã hoá kỹ thuật số trên văn bản đầu vào.

Các mô hình BertNLClassifier được hỗ trợ

Các mô hình sau đây tương thích với API BertNLClassifier.

Chạy dự đoán trong Java

Bước 1: Nhập phần phụ thuộc Gradle và các chế độ cài đặt khác

Sao chép tệp mô hình .tflite vào thư mục thành phần của mô-đun Android nơi mô hình sẽ chạy. Chỉ định rằng tệp không được nén và thêm thư viện TensorFlow Lite vào tệp build.gradle của mô-đun:

android {
    // Other settings

    // Specify tflite file should not be compressed for the app apk
    aaptOptions {
        noCompress "tflite"
    }

}

dependencies {
    // Other dependencies

    // Import the Task Text Library dependency
    implementation 'org.tensorflow:tensorflow-lite-task-text:0.4.4'
}

Bước 2: Chạy dự đoán bằng API

// Initialization
BertNLClassifierOptions options =
    BertNLClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().setNumThreads(4).build())
        .build();
BertNLClassifier classifier =
    BertNLClassifier.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<Category> results = classifier.classify(input);

Xem nguồn mã để biết thêm chi tiết.

Chạy dự đoán trong Swift

Bước 1: Nhập CocoaPods

Thêm nhóm TensorFlowLiteTaskText trong Podfile

target 'MySwiftAppWithTaskAPI' do
  use_frameworks!
  pod 'TensorFlowLiteTaskText', '~> 0.4.4'
end

Bước 2: Chạy dự đoán bằng API

// Initialization
let bertNLClassifier = TFLBertNLClassifier.bertNLClassifier(
      modelPath: bertModelPath)

// Run inference
let categories = bertNLClassifier.classify(text: input)

Xem nguồn mã để biết thêm chi tiết.

Chạy dự đoán trong C++

// Initialization
BertNLClassifierOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<BertNLClassifier> classifier = BertNLClassifier::CreateFromOptions(options).value();

// Run inference with your input, `input_text`.
std::vector<core::Category> categories = classifier->Classify(input_text);

Xem nguồn mã để biết thêm chi tiết.

Chạy suy luận trong Python

Bước 1: Cài đặt gói pip

pip install tflite-support

Bước 2: Sử dụng mô hình

# Imports
from tflite_support.task import text

# Initialization
classifier = text.BertNLClassifier.create_from_file(model_path)

# Run inference
text_classification_result = classifier.classify(text)

Xem nguồn mã để có thêm lựa chọn để định cấu hình BertNLClassifier.

Kết quả mẫu

Dưới đây là ví dụ về kết quả phân loại các bài đánh giá phim bằng cách sử dụng Mô hình MobileBert từ Model Maker.

Mục nhập: "Đó là một hành trình thú vị và thường ảnh hưởng đến hành trình"

Kết quả:

category[0]: 'negative' : '0.00006'
category[1]: 'positive' : '0.99994'

Hãy thử công cụ minh hoạ CLI đơn giản cho BertNLClassifier thông qua mô hình và dữ liệu thử nghiệm của riêng bạn.

Yêu cầu về khả năng tương thích với mô hình

API BetNLClassifier dự kiến sẽ có mô hình TFLite với Mô hình TFLite bắt buộc Siêu dữ liệu.

Siêu dữ liệu phải đáp ứng các yêu cầu sau:

  • input_process_units cho Bộ mã hoá văn bản/Bản ghi âm

  • 3 tensor đầu vào có tên "ids", "mask" và "segment_ids" cho kết quả của trình tạo mã thông báo

  • 1 tensor đầu ra thuộc loại float32, có tệp nhãn đính kèm không bắt buộc. Nếu một tệp nhãn được đính kèm, tệp này phải là tệp văn bản thuần tuý có một nhãn trên mỗi dòng và số lượng nhãn phải khớp với số lượng danh mục đầu ra của mô hình.