ผสานรวมเครื่องมือค้นหาข้อความ

การค้นหาข้อความช่วยให้ค้นหาข้อความที่มีความหมายคล้ายกันในคลังข้อความ ใช้งานได้ดี ด้วยการฝังคำค้นหาลงในเวกเตอร์ที่มีมิติสูงที่แสดงถึง ความหมายของข้อความค้นหา ตามด้วยการค้นหาความคล้ายคลึงกันในข้อความที่กำหนดไว้ล่วงหน้า ดัชนีที่กำหนดเองโดยใช้ ScaNN (เพื่อนบ้านที่ใกล้เคียงที่สุดที่รองรับการปรับขนาด)

ตรงข้ามกับการจำแนกประเภทข้อความ (เช่น ตัวแยกประเภทภาษาธรรมชาติ) เพิ่มจำนวนรายการที่จดจำได้ไม่จำเป็นต้องมีการฝึกซ้ำ โมเดลทั้งหมด รายการใหม่สามารถเพิ่มเข้ามาได้ง่ายๆ เพียงสร้างดัชนีขึ้นมาใหม่ ยัง ช่วยให้ทำงานกับคลังเนื้อหาขนาดใหญ่ (มากกว่า 100,000 รายการ) ได้

ใช้ API ของไลบรารีงาน TextSearcher เพื่อทำให้เครื่องมือค้นหาข้อความที่กำหนดเองใช้งานได้ใน แอปบนอุปกรณ์เคลื่อนที่ของคุณ

คุณลักษณะที่สำคัญของ TextSearcher API

• รับสตริงเดียวเป็นอินพุต ดำเนินการดึงข้อมูลการฝัง และ ค้นหาเพื่อนบ้านที่ใกล้ที่สุดในดัชนี

• การประมวลผลข้อความที่ป้อน ซึ่งรวมถึงรูปแบบในกราฟหรือนอกกราฟ ข้อความ หรือ ประโยคสั้นๆ การแปลงข้อมูลเป็นโทเค็นในข้อความที่ป้อน

ข้อกำหนดเบื้องต้น

ก่อนที่จะใช้ TextSearcher API คุณต้องสร้างดัชนีตาม คลังข้อความที่กำหนดเองที่จะค้นหา ซึ่งทำได้โดยใช้ Model Maker Searcher API ด้วยการติดตามและปรับเปลี่ยน บทแนะนำ

โดยคุณจะต้องมีสิ่งต่อไปนี้

• โมเดลเครื่องมือฝังข้อความ TFLite เช่น Universal Sentence Encoder สำหรับ ตัวอย่างเช่น
  • เวลา 1 ฝึกอบรมใน Colab ซึ่งเพิ่มประสิทธิภาพสำหรับการอนุมานในอุปกรณ์ ใช้เวลาเพียง 6 มิลลิวินาทีในการค้นหา สตริงข้อความใน Pixel 6
  • เวลา ทำให้เล็กลง 1 รายการ ซึ่งเล็กกว่าวิดีโอด้านบนแต่ใช้เวลา 38 มิลลิวินาทีสำหรับการฝังแต่ละครั้ง
• คลังข้อความของคุณ

หลังจากขั้นตอนนี้ คุณควรใช้โมเดลผู้ค้นหา TFLite แบบสแตนด์อโลน (เช่น mobilenet_v3_searcher.tflite) ซึ่งเป็นโมเดลเครื่องมือฝังข้อความดั้งเดิมที่มี ดัชนีที่แนบมากับ ข้อมูลเมตาของโมเดล TFLite

เรียกใช้การอนุมานใน Java

ขั้นตอนที่ 1: นำเข้าการอ้างอิง Gradle และการตั้งค่าอื่นๆ

คัดลอกไฟล์โมเดลของผู้ค้นหา .tflite ไปยังไดเรกทอรี Asset ของ Android โมดูลที่โมเดลจะทำงาน ระบุว่าไฟล์ไม่ควรเป็น บีบอัดแล้วเพิ่มไลบรารี TensorFlow Lite ลงใน build.gradle ของโมดูล ไฟล์:

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'
}

ขั้นตอนที่ 2: การใช้โมเดล

// 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);

โปรดดู ซอร์สโค้ดและ javadoc เพื่อดูตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher

เรียกใช้การอนุมานใน 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();

โปรดดู ซอร์สโค้ด เพื่อดูตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher

เรียกใช้การอนุมานใน Python

ขั้นตอนที่ 1: ติดตั้งแพ็กเกจ Pypi Support ของ TensorFlow Lite

คุณสามารถติดตั้งแพ็กเกจ Pypi สนับสนุน TensorFlow Lite โดยใช้สิ่งต่อไปนี้ คำสั่ง:

pip install tflite-support

ขั้นตอนที่ 2: การใช้โมเดล

from tflite_support.task import text

# Initialization
text_searcher = text.TextSearcher.create_from_file(model_path)

# Run inference
result = text_searcher.search(text)

โปรดดู ซอร์สโค้ด เพื่อดูตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher

ตัวอย่างผลการแข่ง

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

ลองใช้ เครื่องมือสาธิต CLI สำหรับ TextSearcher กับโมเดลและข้อมูลทดสอบของคุณเอง