Integracja odpowiedzi na pytania BERT

Interfejs Task Library BertQuestionAnswerer API wczytuje model Berta i udziela odpowiedzi na podstawie treści danego pasażu. Więcej informacji: w modelu „Pytanie-odpowiedź”.

Najważniejsze funkcje interfejsu BertQuestionAnswerer API

  • Pobiera 2 rodzaje danych wejściowych jako pytanie i kontekst, a następnie zwraca listę możliwych odpowiedzi.

  • Wykonuje tokenizację WordPeper lub Sentencepiece poza wykresem dla danych wejściowych tekstu.

Obsługiwane modele BertQuestionAnswerer

Poniższe modele są zgodne z interfejsem API BertNLClassifier.

Uruchom wnioskowanie w Javie

Krok 1. Zaimportuj zależność Gradle i inne ustawienia

Skopiuj plik modelu .tflite do katalogu zasobów modułu Androida w którym będzie uruchamiany model. Określ, że plik nie powinien być skompresowany. dodaj bibliotekę TensorFlow Lite do pliku build.gradle modułu:

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'
}

Krok 2. Przeprowadź wnioskowanie za pomocą interfejsu API

// Initialization
BertQuestionAnswererOptions options =
    BertQuestionAnswererOptions.builder()
        .setBaseOptions(BaseOptions.builder().setNumThreads(4).build())
        .build();
BertQuestionAnswerer answerer =
    BertQuestionAnswerer.createFromFileAndOptions(
        androidContext, modelFile, options);

// Run inference
List<QaAnswer> answers = answerer.answer(contextOfTheQuestion, questionToAsk);

Zobacz kod źródłowy .

Uruchom wnioskowanie w Swift

Krok 1. Zaimportuj CocoaPods

Dodaj pod TensorFlowLiteTaskText w pliku Podfile

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

Krok 2. Przeprowadź wnioskowanie za pomocą interfejsu API

// Initialization
let mobileBertAnswerer = TFLBertQuestionAnswerer.questionAnswerer(
      modelPath: mobileBertModelPath)

// Run inference
let answers = mobileBertAnswerer.answer(
      context: context, question: question)

Zobacz kod źródłowy .

Uruchom wnioskowanie w C++

// Initialization
BertQuestionAnswererOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<BertQuestionAnswerer> answerer = BertQuestionAnswerer::CreateFromOptions(options).value();

// Run inference with your inputs, `context_of_question` and `question_to_ask`.
std::vector<QaAnswer> positive_results = answerer->Answer(context_of_question, question_to_ask);

Zobacz kod źródłowy .

Uruchom wnioskowanie w Pythonie

Krok 1. Zainstaluj pakiet pip

pip install tflite-support

Krok 2. Korzystanie z modelu

# Imports
from tflite_support.task import text

# Initialization
answerer = text.BertQuestionAnswerer.create_from_file(model_path)

# Run inference
bert_qa_result = answerer.answer(context, question)

Zobacz kod źródłowy , aby uzyskać więcej opcji konfigurowania BertQuestionAnswerer.

Przykładowe wyniki

Oto przykład wyników odpowiedzi Model ALBERT.

Kontekst: „las deszczowy Amazonii albo dżungla Amazonii, znana również Angielski jako Amazonia to wilgotny las tropikalny deszczowy w Amazonie. biom obejmujący większość dorzecza Amazonki w Ameryce Południowej. Ta dorzecze obejmuje 7 000 000 km2 (2 700 000 mil kwadratowych), z których Las deszczowy pokrywa obszar o powierzchni 5 500 000 km2 (2 100 000 mil kwadratowych). Ten region obejmuje terytorium należące do dziewięciu krajów”

Pytanie: „Gdzie jest las deszczowy Amazonii?”

Odpowiedzi:

answer[0]:  'South America.'
logit: 1.84847, start_index: 39, end_index: 40
answer[1]:  'most of the Amazon basin of South America.'
logit: 1.2921, start_index: 34, end_index: 40
answer[2]:  'the Amazon basin of South America.'
logit: -0.0959535, start_index: 36, end_index: 40
answer[3]:  'the Amazon biome that covers most of the Amazon basin of South America.'
logit: -0.498558, start_index: 28, end_index: 40
answer[4]:  'Amazon basin of South America.'
logit: -0.774266, start_index: 37, end_index: 40

Wypróbuj prostą Narzędzie w wersji demonstracyjnej interfejsu wiersza poleceń BertQuestionAnswerer z własnym modelem i danymi testowymi.

Wymagania dotyczące zgodności z modelem

Interfejs API BertQuestionAnswerer wymaga modelu TFLite z obowiązkowym ustawieniem Metadane modelu TFLite.

Metadane powinny spełniać te wymagania:

  • input_process_units dla tokenizacji tekstu/słów kluczowych

  • 3 tensory wejściowe o nazwach „ids”, „mask” i „segment_ids” dla danych wyjściowych tokenizator

  • 2 tensory wyjściowe o nazwach „end_logits” i „start_logits” aby wskazać względna pozycja odpowiedzi w kontekście