自然言語分類器を統合する

タスク ライブラリの NLClassifier API は、入力テキストを複数の異なるクラスに 汎用的で構成可能な API であり、ほとんどのテキストを処理できます。 学習します。

NLClassifier API の主な機能

  • 単一の文字列を入力として受け取り、その文字列を使用して分類を行い、 <label, score=""> を出力する対して分類します。</label,>

  • 入力テキストにオプションの正規表現トークン化を使用できます。

  • さまざまな分類モデルを適応させるように構成可能。

サポートされている NLClassifier モデル

次のモデルは、NLClassifier との互換性が保証されています API

Java で推論を実行する

テキスト分類リファレンス アプリ をご覧ください。NLClassifier

ステップ 1: Gradle の依存関係とその他の設定をインポートする

.tflite モデルファイルを Android モジュールのアセット ディレクトリにコピーします。 モデルを実行する場所を指定しますファイルを圧縮しないように指定する。 TensorFlow Lite ライブラリをモジュールの build.gradle ファイルに追加します。

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'
}

ステップ 2: API を使用して推論を実行する

// 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);

出典を参照 コード NLClassifier を構成するその他のオプションをご覧ください。

Swift で推論を実行する

ステップ 1: CocoaPods をインポートする

Podfile に TensorFlowLiteTaskText Pod を追加する

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

ステップ 2: API を使用して推論を実行する

// 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)

出典を参照 コード をご覧ください。

C++ で推論を実行する

// 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);

出典を参照 コード をご覧ください。

Python で推論を実行する

ステップ 1: pip パッケージをインストールする

pip install tflite-support

ステップ 2: モデルを使用する

# Imports
from tflite_support.task import text

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

# Run inference
text_classification_result = classifier.classify(text)

出典を参照 コード NLClassifier を構成するその他のオプションをご覧ください。

検索結果の例

こちらは、映画レビューの分類結果の例です。 モデル

入力: 「時間の無駄」

出力:

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

シンプルなCLI デモツール: NLClassifier 独自のモデルとテストデータで トレーニングできます

モデルの互換性要件

ユースケースに応じて、NLClassifier API は TFLite Model Metadata を使用しない場合。例を見る TensorFlow Lite を使用した自然言語分類器のメタデータ作成のプロセスを メタデータ ライター API

互換性のあるモデルは、次の要件を満たす必要があります。

  • 入力テンソル: (kTfLiteString/kTfLiteInt32)

    • モデルの入力は、kTfLiteString のテンソルの未加工入力のいずれかである 文字列または kTfLiteInt32 テンソル(正規表現でトークン化された未加工の入力インデックスの場合) 使用します。
    • 入力型が kTfLiteString の場合、 モデルにはメタデータが必要です。
    • 入力タイプが kTfLiteInt32 の場合、RegexTokenizer を 入力テンソルの メタデータ
  • 出力スコア テンソル: (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)

    • 分類された各カテゴリのスコアに必須の出力テンソル。

    • 型が Int 型のいずれかの場合は、double 型または float 型に逆量子化して 対応するプラットフォーム

    • 出力テンソルの カテゴリに対応するメタデータ ファイルは 1 行に 1 つのラベルがある書式なしテキスト ファイルである必要があります。 ラベルの数は、トレーニング データのカテゴリ数と モデルの出力です。ラベルの例をご覧ください。 。

  • 出力ラベル テンソル: (kTfLiteString/kTfLiteInt32)

    • 各カテゴリのラベルのオプションの出力テンソル。 出力スコア テンソルと同じ長さにします。このテンソルが存在しない場合、 API はスコア インデックスをクラス名として使用します。

    • 関連するラベルファイルが出力スコアに存在する場合は無視されます テンソルのメタデータ。