整合自然語言分類器

工作程式庫的 NLClassifier API 會將輸入文字分類為 是多功能且可設定的 API，能夠處理大部分的文字 分類模型

NLClassifier API 的主要功能

  • 取用單一字串做為輸入內容，對字串執行分類，並 會輸出 <label, score="">分類成分類結果</label,>

  • 輸入文字時支援選用的規則運算式權杖化功能。

  • 可設定調整不同的分類模型。

支援的 NLClassifier 模型

下列型號保證與 NLClassifier 相容 也能使用 Google Cloud CLI 或 Compute Engine API

在 Java 中執行推論

請參閱文字分類參考資料 應用程式 查看範例，瞭解如何在 Android 應用程式中使用 NLClassifier。

步驟 1：匯入 Gradle 依附元件和其他設定

將 .tflite 模型檔案複製到 Android 模組的資產目錄 以便訓練模型指定不要壓縮檔案，且 將 TensorFlow Lite 程式庫新增至模組的 build.gradle 檔案：

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'
}

步驟 2：使用 API 執行推論

// 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);

請參閱原始碼 程式碼 取得更多設定 NLClassifier 的選項。

在 Swift 中執行推論

步驟 1：匯入 CocoaPods

在 Podfile 中新增 TensorFlowLiteTaskText Pod

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

步驟 2：使用 API 執行推論

// 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)

請參閱原始碼 程式碼 ，掌握更多詳細資訊。

在 C++ 中執行推論

// 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);

請參閱原始碼 程式碼 ，掌握更多詳細資訊。

在 Python 中執行推論

步驟 1：安裝 pip 套件

pip install tflite-support

步驟 2：使用模型

# Imports
from tflite_support.task import text

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

# Run inference
text_classification_result = classifier.classify(text)

請參閱原始碼 程式碼 取得更多設定 NLClassifier 的選項。

搜尋結果範例

以下為電影評論的分類結果範例 模型

輸入內容：「這沒什麼浪費時間。」

輸出：

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

試用簡單的 CLI 示範工具， NLClassifier 使用自己的模型與測試資料

模型相容性需求

視用途而定，NLClassifier API 可透過以下方式載入 TFLite 模型： 或是沒有 TFLite 模型中繼資料。查看範例 瞭解如何使用 TensorFlow Lite 建立自然語言分類器中繼資料 中繼資料寫入者 API。

相容的模式應符合下列條件：

  • 輸入張量：(kTfLiteString/kTfLiteInt32)

    • 模型輸入應為 kTfLiteString Tensor 原始輸入內容 原始輸入內容的規則運算式符記化索引字串或 kTfLiteInt32 張量 字串。
    • 如果輸入類型是 kTfLiteString，則否 必須提供模型的中繼資料。
    • 如果輸入類型為 kTfLiteInt32，RegexTokenizer必須在 輸入張量 中繼資料。

  • 輸出分數張量： (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)

    • 每個已分類類別分數的必要輸出張量。

    • 如果型別是 Int 型別之一，請將型別反轉為雙精度浮點數/浮點值， 對應的平台

    • 輸出張量中可以有選用的關聯檔案 與類別的對應中繼資料 檔案應為純文字檔案，每行有一個標籤 標籤數量必須與 模型輸出內容請參閱範例標籤 檔案。

  • 輸出標籤張量：(kTfLiteString/kTfLiteInt32)

    • 每個類別標籤的選用輸出張量，應該是 與輸出分數張量相同如果沒有這個張量， API 使用分數索引做為類別名稱。

    • 如果輸出分數中有相關標籤檔案，系統會忽略該檔案 Tensorn 的中繼資料