BERT 질문 답변자 통합

작업 라이브러리 BertQuestionAnswerer API는 Bert 모델을 로드하고 주어진 구절의 내용을 기반으로 질문에 답변합니다. 자세한 내용은 질문-답변 모델의 예를 참고하세요.

BertQuestionAnswerer API의 주요 기능

  • 질문과 맥락이라는 두 가지 텍스트 입력을 받아 가능한 답변 목록을 출력합니다.

  • 입력 텍스트에 대해 그래프 외부 Wordpiece 또는 Sentencepiece 토큰화를 실행합니다.

지원되는 BertQuestionAnswerer 모델

다음 모델은 BertNLClassifier API와 호환됩니다.

Java에서 추론 실행

1단계: Gradle 종속 항목 및 기타 설정 가져오기

모델이 실행될 Android 모듈의 애셋 디렉터리에 .tflite 모델 파일을 복사합니다. 파일을 압축하지 않도록 지정하고 TensorFlow Lite 라이브러리를 모듈의 build.gradle 파일에 추가합니다.

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'
}

2단계: API를 사용하여 추론 실행

// 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);

자세한 내용은 소스 코드를 참고하세요.

Swift에서 추론 실행

1단계: CocoaPods 가져오기

Podfile에 TensorFlowLiteTaskText pod 추가

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

2단계: API를 사용하여 추론 실행

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

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

자세한 내용은 소스 코드를 참고하세요.

C++에서 추론 실행

// 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);

자세한 내용은 소스 코드를 참고하세요.

Python에서 추론 실행

1단계: pip 패키지 설치

pip install tflite-support

2단계: 모델 사용

# 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)

BertQuestionAnswerer를 구성하는 추가 옵션은 소스 코드를 참고하세요.

결과 예시

다음은 ALBERT 모델의 답변 결과의 예입니다.

컨텍스트: '아마존 열대우림은 아마존 정글이라고도 하며 영어로는 아마존 지역이라고도 합니다. 아마존 생물 군계의 습한 활엽수 열대우림으로 남아메리카의 아마존 분지 대부분을 덮고 있습니다. 이 분지는 7,000,000km2 (2,700,000sqmi)에 걸쳐 있으며, 이 중 5,500,000km2 (2,100,000sqmi)가 열대 우림으로 덮여 있습니다. 이 지역에는 9개 국가에 속한 영토가 포함됩니다.'

질문: '아마존 열대 우림은 어디에 있어?'

정답:

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

자체 모델과 테스트 데이터로 간단한 BertQuestionAnswerer용 CLI 데모 도구를 사용해 보세요.

모델 호환성 요구사항

BertQuestionAnswerer API에는 필수 TFLite 모델 메타데이터가 있는 TFLite 모델이 필요합니다.

메타데이터는 다음 요구사항을 충족해야 합니다.

  • Wordpiece/Sentencepiece 토큰화 도구용 input_process_units

  • 토큰화 도구의 출력을 위한 이름이 'ids', 'mask', 'segment_ids'인 입력 텐서 3개

  • 컨텍스트에서 답변의 상대적 위치를 나타내는 'end_logits' 및 'start_logits'라는 이름의 출력 텐서 2개