Integrimi i klasifikuesit të gjuhës natyrore

API NLClassifier i Task Library e klasifikon tekstin hyrës në kategori të ndryshme dhe është një API i gjithanshëm dhe i konfigurueshëm që mund të trajtojë shumicën e modeleve të klasifikimit të tekstit.

Karakteristikat kryesore të NLClassifier API

  • Merr një varg të vetëm si hyrje, kryen klasifikimin me vargun dhe daljet çiftet si rezultat i klasifikimit.

  • Tokenizimi opsional Regex i disponueshëm për tekstin hyrës.

  • I konfigurueshëm për të përshtatur modele të ndryshme klasifikimi.

Modele të mbështetura NLClassifier

Modelet e mëposhtme janë të garantuara të jenë të pajtueshme me NLClassifier API.

Ekzekutoni konkluzionet në Java

Shikoni aplikacionin e referencës së Klasifikimit të Tekstit për një shembull se si të përdorni NLClassifier në një aplikacion Android.

Hapi 1: Importoni varësinë Gradle dhe cilësime të tjera

Kopjoni skedarin e modelit .tflite në drejtorinë e aseteve të modulit Android ku do të ekzekutohet modeli. Specifikoni që skedari të mos jetë i ngjeshur dhe shtoni bibliotekën TensorFlow Lite në skedarin build.gradle të modulit:

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'
}

Hapi 2: Ekzekutoni konkluzionet duke përdorur 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);

Shikoni kodin burimor për më shumë opsione për të konfiguruar NLClassifier .

Ekzekutoni konkluzionet në Swift

Hapi 1: Importoni CocoaPods

Shtoni podin TensorFlowLiteTaskText në Podfile

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

Hapi 2: Ekzekutoni konkluzionet duke përdorur 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)

Shihni kodin burimor për më shumë detaje.

Ekzekutoni konkluzionet në 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);

Shihni kodin burimor për më shumë detaje.

Ekzekutoni konkluzionet në Python

Hapi 1: Instaloni paketën pip 

pip install tflite-support

Hapi 2: Përdorimi i modelit 

# Imports
from tflite_support.task import text

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

# Run inference
text_classification_result = classifier.classify(text)

Shikoni kodin burimor për më shumë opsione për të konfiguruar NLClassifier .

Shembuj të rezultateve

Këtu është një shembull i rezultateve të klasifikimit të modelit të rishikimit të filmit .

Hyrja: "Çfarë humbje kohe."

Prodhimi:

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

Provoni mjetin e thjeshtë demo CLI për NLClassifier me modelin tuaj dhe të dhënat e testimit.

Kërkesat e përputhshmërisë së modelit

Në varësi të rastit të përdorimit, API NLClassifier mund të ngarkojë një model TFLite me ose pa Metadata të modelit TFLite . Shihni shembuj të krijimit të meta të dhënave për klasifikuesit e gjuhëve natyrore duke përdorur API-në e shkrimtarit metadata TensorFlow Lite .

Modelet e përputhshme duhet të plotësojnë kërkesat e mëposhtme:

  • Tensor i hyrjes: (kTfLiteString/kTfLiteInt32)

    • Hyrja e modelit duhet të jetë ose një varg i hyrjes së papërpunuar tensor kTfLiteString ose një tensor kTfLiteInt32 për indekset e tokenizuara regex të vargut hyrës të papërpunuar.
    • Nëse lloji i hyrjes është kTfLiteString, nuk kërkohet asnjë Metadata për modelin.
    • Nëse lloji i hyrjes është kTfLiteInt32, duhet të konfigurohet një RegexTokenizer në Metadatat e tensorit të hyrjes.

  • Tenzori i rezultatit në dalje: (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)

    • Tensor i detyrueshëm i daljes për pikët e secilës kategori të klasifikuar.

    • Nëse lloji është një nga llojet Int, dekuantizoni atë për të dyfishuar/float në platformat përkatëse

    • Mund të ketë një skedar të lidhur opsional në Metadatat përkatëse të tensorit të daljes për etiketat e kategorive, skedari duhet të jetë një skedar teksti i thjeshtë me një etiketë për rresht dhe numri i etiketave duhet të përputhet me numrin e kategorive si rezultatet e modelit. Shihni shembullin e skedarit të etiketës .

  • Tenzori i etiketës së daljes: (kTfLiteString/kTfLiteInt32)

    • Tenzori i daljes opsionale për etiketën për secilën kategori, duhet të jetë i së njëjtës gjatësi si tensori i rezultatit të daljes. Nëse ky tensor nuk është i pranishëm, API përdor indekset e rezultateve si emra klasash.

    • Do të injorohet nëse skedari i etiketës shoqërues është i pranishëm në Metadatat e tensorit të rezultatit të daljes.