Integracja klasyfikatora języka naturalnego

Interfejs API NLClassifier biblioteki zadań klasyfikuje wpisany tekst w różne kategorii. To uniwersalny, konfigurowalny interfejs API, który obsługuje większość tekstów modele klasyfikacji.

Najważniejsze funkcje interfejsu NLClassifier API

  • Jako dane wejściowe pobiera pojedynczy ciąg znaków, klasyfikuje go za pomocą wyniki <label, Score=""> jako wyniki klasyfikacji.</label,>

  • Opcjonalna tokenizacja wyrażenia regularnego w przypadku tekstu wejściowego.

  • Możliwość konfigurowania w celu dostosowania różnych modeli klasyfikacji.

Obsługiwane modele NLClassifier

Te modele gwarantują zgodność z modelem NLClassifier API.

Uruchom wnioskowanie w Javie

Patrz informacje o klasyfikacji tekstu pokazuje, jak używać właściwości NLClassifier w aplikacji na Androida.

Krok 1. Zaimportuj zależność Gradle i inne ustawienia

Skopiuj plik modelu .tflite do katalogu zasobów modułu Androida w którym będzie uruchamiany model. Określ, że plik nie powinien być skompresowany. dodaj bibliotekę TensorFlow Lite do pliku build.gradle modułu:

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'
}

Krok 2. Przeprowadź wnioskowanie za pomocą interfejsu API

// 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);

Zobacz źródło kod , aby uzyskać więcej opcji konfigurowania NLClassifier.

Uruchom wnioskowanie w Swift

Krok 1. Zaimportuj CocoaPods

Dodaj pod TensorFlowLiteTaskText w pliku Podfile

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

Krok 2. Przeprowadź wnioskowanie za pomocą interfejsu API

// 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)

Zobacz źródło kod .

Uruchom wnioskowanie w C++

// 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);

Zobacz źródło kod .

Uruchom wnioskowanie w Pythonie

Krok 1. Zainstaluj pakiet pip

pip install tflite-support

Krok 2. Korzystanie z modelu

# Imports
from tflite_support.task import text

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

# Run inference
text_classification_result = classifier.classify(text)

Zobacz źródło kod , aby uzyskać więcej opcji konfigurowania NLClassifier.

Przykładowe wyniki

Oto przykład wyników klasyfikacji recenzji filmu model.

Wprowadzanie tekstu: „Jaka strata czasu”.

Dane wyjściowe:

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

Wypróbuj proste narzędzie demonstracyjne interfejsu wiersza poleceń dla: NLClassifier z własnym modelem i danymi testowymi.

Wymagania dotyczące zgodności z modelem

W zależności od przypadku użycia interfejs NLClassifier API może wczytać model TFLite z atrybutem lub bez metadanych modelu TFLite. Zobacz przykłady tworzenia metadanych do klasyfikatorów języka naturalnego za pomocą TensorFlow Lite Zapisujący metadane API.

Zgodne modele powinny spełniać te wymagania:

  • Tensor wejściowy: (kTfLiteString/kTfLiteInt32)

    • Dane wejściowe modelu powinny być w formacie tensorowym tensor kTfLiteString ciąg znaków lub tensor kTfLiteInt32 dla tokenizowanych indeksów surowych danych wejściowych z wyrażeniem regularnym ciągu znaków.
    • Jeśli typem danych wejściowych jest kTfLiteString, nie Metadane są wymagane w przypadku modelu.
    • Jeśli typ danych wejściowych to kTfLiteInt32, musisz skonfigurować RegexTokenizer w tensora wejściowego Metadane.

  • Tensor wyniku wyjściowego: (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)

    • Obowiązkowy tensor wyjściowy dla wyniku każdej sklasyfikowanej kategorii.

    • Jeśli typ należy do typu Int, zdekwantyzuj go do postaci liczby zmiennoprzecinkowej lub liczby zmiennoprzecinkowej. odpowiednie platformy

    • Może mieć opcjonalny powiązany plik w tensorze wyjściowym odpowiednie metadane dla kategorii etykiet, plik powinien być zwykłym plikiem tekstowym z jedną etykietą w każdym wierszu a liczba etykiet powinna odpowiadać liczbie kategorii, danych wyjściowych modelu. Zobacz przykładową etykietę .

  • Tensor etykiety wyjściowej: (kTfLiteString/kTfLiteInt32)

    • Opcjonalny tensor wyjściowy dla etykiety dla każdej kategorii powinien być: jest taka sama jak tensor wyniku wyjściowego. Jeśli nie ma tego tensora, funkcja Interfejs API używa indeksów wyników jako nazw klas.

    • Zostanie zignorowana, jeśli w wyniku wyjściowym znajduje się powiązany plik etykiety Metadata tensor's Metadata.