La búsqueda de texto permite buscar texto con similitud semántica en un corpus. Funciona incorporando la consulta de búsqueda en un vector de alta dimensión que representa el el significado semántico de la consulta, seguido de la búsqueda de similitud en un índice personalizado con ScaNN (vecinos más cercanos escalables).
A diferencia de la clasificación de texto (p.ej., Clasificador de lenguaje natural BERT). Expandir la cantidad de elementos que se pueden reconocer no requiere volver a entrenar para todo el modelo. Se pueden agregar elementos nuevos con solo volver a compilar el índice. Esto también permite trabajar con corpus más grandes (más de 100,000 elementos).
Usa la API de TextSearcher de la Biblioteca de tareas para implementar tu buscador de texto personalizado en
tus aplicaciones para dispositivos móviles.
Funciones clave de la API de TextSearcher
Toma una sola cadena como entrada, realiza la extracción de incorporaciones y la búsqueda de vecino más cercano en el índice.
Procesamiento de texto de entrada, ya sea en el gráfico o fuera del gráfico Wordpiece o Oración las asignaciones de token en el texto de entrada.
Requisitos previos
Antes de usar la API de TextSearcher, se debe compilar un índice basado en la
corpus de texto personalizado en el que buscar. Esto se puede lograr
API de Model Maker Searcher
mediante el seguimiento y la adaptación de
instructivo.
Para ello necesitarás lo siguiente:
- un modelo de incorporación de texto de TFLite, como Universal Sentence Encoder. Para
ejemplo,
- el uno se volvió a entrenar en esta Colab, que está optimizado para la inferencia en el dispositivo. Solo se necesitan 6 ms para consultar una cadena de texto en Pixel 6.
- el cuantizado que es más pequeña que la anterior, pero tarda 38 ms por cada incorporación.
- tu corpus de texto.
Después de este paso, deberías tener un modelo de buscador de TFLite independiente (p.ej.,
mobilenet_v3_searcher.tflite), que es el modelo original de incorporación de texto con
el índice adjunto en el
Metadatos del modelo de TFLite.
Ejecuta inferencias en Java
Paso 1: Importa la dependencia de Gradle y otros parámetros de configuración
Copia el archivo de modelo del buscador .tflite en el directorio de recursos de Android
en el que se ejecutará el modelo. Especifica que el archivo no debe
y agrega la biblioteca de TensorFlow Lite al archivo build.gradle del módulo
archivo:
android {
// Other settings
// Specify tflite index 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-vision:0.4.4'
// Import the GPU delegate plugin Library for GPU inference
implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}
Paso 2: Usa el modelo
// Initialization
TextSearcherOptions options =
TextSearcherOptions.builder()
.setBaseOptions(BaseOptions.builder().useGpu().build())
.setSearcherOptions(
SearcherOptions.builder().setL2Normalize(true).build())
.build();
TextSearcher textSearcher =
textSearcher.createFromFileAndOptions(context, modelFile, options);
// Run inference
List<NearestNeighbor> results = textSearcher.search(text);
Consulta la
código fuente y javadoc
si quieres obtener más opciones para configurar TextSearcher.
Ejecuta inferencias en C++
// Initialization
TextSearcherOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
options.mutable_embedding_options()->set_l2_normalize(true);
std::unique_ptr<TextSearcher> text_searcher = TextSearcher::CreateFromOptions(options).value();
// Run inference with your input, `input_text`.
const SearchResult result = text_searcher->Search(input_text).value();
Consulta la
código fuente
si quieres obtener más opciones para configurar TextSearcher.
Ejecuta la inferencia en Python
Paso 1: Instala el paquete Pypi de asistencia de TensorFlow Lite
Puedes instalar el paquete de compatibilidad con Pypi de TensorFlow Lite con el siguiente comando: :
pip install tflite-support
Paso 2: Usa el modelo
from tflite_support.task import text
# Initialization
text_searcher = text.TextSearcher.create_from_file(model_path)
# Run inference
result = text_searcher.search(text)
Consulta la
código fuente
si quieres obtener más opciones para configurar TextSearcher.
Resultados de ejemplo
Results:
Rank#0:
metadata: The sun was shining on that day.
distance: 0.04618
Rank#1:
metadata: It was a sunny day.
distance: 0.10856
Rank#2:
metadata: The weather was excellent.
distance: 0.15223
Rank#3:
metadata: The cat is chasing after the mouse.
distance: 0.34271
Rank#4:
metadata: He was very happy with his newly bought car.
distance: 0.37703
Prueba lo sencillo Herramienta de demostración de la CLI para TextSearcher con tu propio modelo y datos de prueba.