ผสานรวมตัวแยกประเภทภาษาธรรมชาติ

NLClassifier API ของไลบรารีงานจะจำแนกอินพุตเป็น และเป็น API ที่คล่องตัวและกำหนดค่าได้ ซึ่งสามารถจัดการข้อความส่วนใหญ่ โมเดลการจัดประเภท

ฟีเจอร์สำคัญของ NLClassifier API

• ใช้สตริงเดียวเป็นอินพุต ดำเนินการจำแนกประเภทกับสตริงและ เอาต์พุต <label, score=""> คู่กันเป็นผลลัพธ์การจัดประเภท</label,>

• การแปลงข้อมูลเป็นโทเค็นของนิพจน์ทั่วไป (ไม่บังคับ) สําหรับข้อความที่ป้อน

• กําหนดค่าได้เพื่อปรับโมเดลการจัดประเภทที่แตกต่างกัน

รุ่น NLClassifier ที่รองรับ

รุ่นต่อไปนี้ได้รับการรับประกันว่าใช้งานร่วมกับ NLClassifier ได้ API

• ความเห็นเกี่ยวกับการตรวจสอบภาพยนตร์ การแยกประเภท โมเดล

• โมเดลที่มีข้อมูลจำเพาะ average_word_vec ซึ่งสร้างโดย TensorFlow Lite เครื่องสร้างโมเดล สำหรับการจำแนกประเภทข้อความ

• โมเดลที่กำหนดเองซึ่งเป็นไปตามความเข้ากันได้ของโมเดล ข้อกำหนด

เรียกใช้การอนุมานใน Java

ดูข้อมูลอ้างอิงการจัดประเภทข้อความ แอป สำหรับตัวอย่างวิธีใช้ NLClassifier ในแอป Android

ขั้นตอนที่ 1: นำเข้าการอ้างอิง Gradle และการตั้งค่าอื่นๆ

คัดลอกไฟล์โมเดล .tflite ไปยังไดเรกทอรี Asset ของโมดูล Android ตำแหน่งที่โมเดลจะทำงาน ระบุว่าไม่ควรบีบอัดไฟล์ และ เพิ่มไลบรารี TensorFlow Lite ลงในไฟล์ build.gradle ของโมดูลด้วยคำสั่งต่อไปนี้

android {
    // Other settings

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

}

dependencies {
    // Other dependencies

    // Import the Task Vision Library dependency
    implementation 'org.tensorflow:tensorflow-lite-task-text:0.4.4'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}

ขั้นตอนที่ 2: เรียกใช้การอนุมานโดยใช้ API

// Initialization, use NLClassifierOptions to configure input and output tensors
NLClassifierOptions options =
    NLClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setInputTensorName(INPUT_TENSOR_NAME)
        .setOutputScoreTensorName(OUTPUT_SCORE_TENSOR_NAME)
        .build();
NLClassifier classifier =
    NLClassifier.createFromFileAndOptions(context, modelFile, options);

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

ดูแหล่งที่มา โค้ด เพื่อดูตัวเลือกเพิ่มเติมในการกำหนดค่า NLClassifier

เรียกใช้การอนุมานใน Swift

ขั้นตอนที่ 1: นำเข้า CocoaPods

เพิ่มพ็อด TensorFlowLiteTaskText ใน Podfile

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

ขั้นตอนที่ 2: เรียกใช้การอนุมานโดยใช้ API

// Initialization
var modelOptions:TFLNLClassifierOptions = TFLNLClassifierOptions()
modelOptions.inputTensorName = inputTensorName
modelOptions.outputScoreTensorName = outputScoreTensorName
let nlClassifier = TFLNLClassifier.nlClassifier(
      modelPath: modelPath,
      options: modelOptions)

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

ดูแหล่งที่มา โค้ด เพื่อดูรายละเอียดเพิ่มเติม

เรียกใช้การอนุมานใน C++

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

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

ดูแหล่งที่มา โค้ด เพื่อดูรายละเอียดเพิ่มเติม

เรียกใช้การอนุมานใน Python

ขั้นตอนที่ 1: ติดตั้งแพ็กเกจ PIP

pip install tflite-support

ขั้นตอนที่ 2: การใช้โมเดล

# Imports
from tflite_support.task import text

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

# Run inference
text_classification_result = classifier.classify(text)

ดูแหล่งที่มา โค้ด เพื่อดูตัวเลือกเพิ่มเติมในการกำหนดค่า NLClassifier

ตัวอย่างผลการแข่ง

นี่คือตัวอย่างของผลการจัดประเภทของการตรวจสอบภาพยนตร์ โมเดล

อินพุต: "ฉันเสียเวลามากเลย"

เอาต์พุต:

category[0]: 'Negative' : '0.81313'
category[1]: 'Positive' : '0.18687'

ลองใช้เครื่องมือสาธิต CLI สำหรับ NLClassifier กับโมเดลและข้อมูลทดสอบของคุณเอง

ข้อกำหนดความเข้ากันได้กับรุ่น

NLClassifier API โหลดโมเดล TFLite ได้ด้วย ทั้งนี้ขึ้นอยู่กับกรณีการใช้งาน หรือไม่มีข้อมูลเมตาโมเดล TFLite ดูตัวอย่าง ของการสร้างข้อมูลเมตาสำหรับตัวแยกประเภทที่เป็นภาษาธรรมชาติโดยใช้ TensorFlow Lite ผู้เขียนข้อมูลเมตา API

รุ่นที่เข้ากันได้ควรเป็นไปตามข้อกำหนดต่อไปนี้

• Tensor อินพุต: (kTfLiteString/kTfLiteInt32)

  • อินพุตของโมเดลควรเป็นอินพุตดิบ kTfLiteString tensor string หรือ kTfLiteInt32 tensor สำหรับดัชนีนิพจน์ทั่วไปที่แปลงข้อมูลเป็นโทเค็นของอินพุตดิบ สตริง
  • ถ้าประเภทอินพุตคือ kTfLiteString ไม่ต้อง ต้องระบุข้อมูลเมตาสำหรับโมเดล
  • หากประเภทอินพุตคือ kTfLiteInt32 คุณต้องตั้งค่า RegexTokenizer ใน Tensor อินพุต ข้อมูลเมตา

• tensor คะแนนเอาต์พุต: (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)

  • tensor เอาต์พุตบังคับสำหรับคะแนนของแต่ละหมวดหมู่ที่แยกประเภท

  • หากประเภทเป็นหนึ่งในประเภท Int ให้คำนวณหาค่าเป็น 2 เท่า/ลอย แพลตฟอร์มที่เกี่ยวข้อง

  • สามารถมีไฟล์ที่เกี่ยวข้องซึ่งไม่บังคับใน Tensor เอาต์พุต ข้อมูลเมตาที่เกี่ยวข้องสำหรับหมวดหมู่ ไฟล์ควรเป็นไฟล์ข้อความธรรมดา ป้ายกำกับหนึ่งบรรทัดต่อบรรทัด และจำนวนป้ายกำกับควรตรงกับจำนวนหมวดหมู่ เอาต์พุตของโมเดล ดูป้ายกำกับตัวอย่าง ไฟล์

• tensor ป้ายกำกับเอาต์พุต: (kTfLiteString/kTfLiteInt32)

  • Tensor เอาต์พุตที่ไม่บังคับสำหรับป้ายกำกับสำหรับแต่ละหมวดหมู่ควรมีค่า ความยาวเท่ากับ tensor คะแนนเอาต์พุต หากไม่มี Tensor นี้ API ใช้ดัชนีคะแนนเป็นชื่อคลาส

  • จะถูกละเว้นหากมีไฟล์ป้ายกำกับที่เกี่ยวข้องในคะแนนเอาต์พุต ข้อมูลเมตาของ Tensor