整合自然語言分類器

工作程式庫的 NLClassifier API 會將輸入文字分類為是多功能且可設定的 API，能夠處理大部分的文字分類模型

NLClassifier API 的主要功能

取用單一字串做為輸入內容，對字串執行分類，並會輸出 <label, score="">分類成分類結果</label,>
輸入文字時支援選用的規則運算式權杖化功能。
可設定調整不同的分類模型。

支援的 NLClassifier 模型

下列型號保證與 NLClassifier 相容也能使用 Google Cloud CLI 或 Compute Engine API

電影評論的情緒分類模型
由 TensorFlow Lite Model Maker 建立且規格為 average_word_vec 的模型用於文字分類
符合模型相容性的自訂模型需求。

在 Java 中執行推論

請參閱文字分類參考資料應用程式查看範例，瞭解如何在 Android 應用程式中使用 NLClassifier。

步驟 1：匯入 Gradle 依附元件和其他設定

將 .tflite 模型檔案複製到 Android 模組的資產目錄以便訓練模型指定不要壓縮檔案，且將 TensorFlow Lite 程式庫新增至模組的 build.gradle 檔案：

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'
}

步驟 2：使用 API 執行推論

// 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);

請參閱原始碼程式碼取得更多設定 NLClassifier 的選項。

在 Swift 中執行推論

步驟 1：匯入 CocoaPods

在 Podfile 中新增 TensorFlowLiteTaskText Pod

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

步驟 2：使用 API 執行推論

// 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)

請參閱原始碼程式碼，掌握更多詳細資訊。

在 C++ 中執行推論

// 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);

請參閱原始碼程式碼，掌握更多詳細資訊。

在 Python 中執行推論

步驟 1：安裝 pip 套件

pip install tflite-support

步驟 2：使用模型

# Imports
from tflite_support.task import text

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

# Run inference
text_classification_result = classifier.classify(text)

請參閱原始碼程式碼取得更多設定 NLClassifier 的選項。

搜尋結果範例

以下為電影評論的分類結果範例模型

輸入內容：「這沒什麼浪費時間。」

輸出：

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

試用簡單的 CLI 示範工具， NLClassifier 使用自己的模型與測試資料

模型相容性需求

視用途而定，NLClassifier API 可透過以下方式載入 TFLite 模型：或是沒有 TFLite 模型中繼資料。查看範例瞭解如何使用 TensorFlow Lite 建立自然語言分類器中繼資料中繼資料寫入者 API。

相容的模式應符合下列條件：

輸入張量：(kTfLiteString/kTfLiteInt32)
- 模型輸入應為 kTfLiteString Tensor 原始輸入內容原始輸入內容的規則運算式符記化索引字串或 kTfLiteInt32 張量字串。
- 如果輸入類型是 kTfLiteString，則否必須提供模型的中繼資料。
- 如果輸入類型為 kTfLiteInt32，RegexTokenizer必須在輸入張量中繼資料。
輸出分數張量： (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)
- 每個已分類類別分數的必要輸出張量。
- 如果型別是 Int 型別之一，請將型別反轉為雙精度浮點數/浮點值，對應的平台
- 輸出張量中可以有選用的關聯檔案與類別的對應中繼資料檔案應為純文字檔案，每行有一個標籤標籤數量必須與模型輸出內容請參閱範例標籤檔案。
輸出標籤張量：(kTfLiteString/kTfLiteInt32)
- 每個類別標籤的選用輸出張量，應該是與輸出分數張量相同如果沒有這個張量， API 使用分數索引做為類別名稱。
- 如果輸出分數中有相關標籤檔案，系統會忽略該檔案 Tensorn 的中繼資料