ผสานรวมเครื่องมือค้นหาข้อความ

การค้นหาข้อความช่วยให้ค้นหาข้อความที่คล้ายกันในเชิงความหมายในคลังข้อมูลได้ โดยจะทำงาน ด้วยการฝังคำค้นหาลงในเวกเตอร์ที่มีมิติสูงซึ่งแสดงถึง ความหมายเชิงความหมายของคำค้นหา ตามด้วยการค้นหาความคล้ายคลึงในดัชนีที่กำหนดไว้ล่วงหน้า ที่กำหนดเองโดยใช้ ScaNN (Scalable Nearest Neighbors)

การขยายจำนวนรายการที่ระบบจดจำได้ไม่จำเป็นต้องฝึกโมเดลทั้งหมดอีกครั้ง ซึ่งแตกต่างจากการจัดประเภทข้อความ (เช่น ตัวแยกประเภทภาษาธรรมชาติของ Bert) คุณเพิ่มรายการใหม่ได้โดย เพียงแค่สร้างดัชนีใหม่ นอกจากนี้ยังช่วยให้ทำงานกับคลังข้อมูลขนาดใหญ่ (100,000 รายการขึ้นไป) ได้ด้วย

ใช้ Task Library TextSearcher API เพื่อติดตั้งใช้งานเครื่องมือค้นหาข้อความที่กำหนดเองใน แอปบนอุปกรณ์เคลื่อนที่

ฟีเจอร์หลักของ TextSearcher API

• รับสตริงเดียวเป็นอินพุต ทำการแยกการฝัง และ การค้นหาเพื่อนบ้านที่ใกล้ที่สุดในดัชนี

• การประมวลผลข้อความอินพุต รวมถึงการสร้างโทเค็น Wordpiece หรือ Sentencepiece ในกราฟหรือนอกกราฟในข้อความอินพุต

ข้อกำหนดเบื้องต้น

ก่อนใช้ TextSearcher API คุณต้องสร้างดัชนีตามคลังข้อความที่กำหนดเองเพื่อค้นหา ซึ่งทำได้โดยใช้ Model Maker Searcher API โดยทำตามและปรับบทแนะนำ

โดยคุณจะต้องมีสิ่งต่อไปนี้

• โมเดลการฝังข้อความ TFLite เช่น Universal Sentence Encoder เช่น
  • โมเดล ที่ฝึกใหม่ใน Colab ซึ่งได้รับการเพิ่มประสิทธิภาพสำหรับการอนุมานในอุปกรณ์ ใช้เวลาเพียง 6 มิลลิวินาทีในการค้นหาสตริงข้อความใน Pixel 6
  • ควอนไทซ์ ซึ่งมีขนาดเล็กกว่าด้านบน แต่ใช้เวลา 38 มิลลิวินาทีต่อการฝังแต่ละรายการ
• คลังข้อความของคุณ

หลังจากขั้นตอนนี้ คุณควรมีโมเดลโปรแกรมค้นหา TFLite แบบสแตนด์อโลน (เช่น mobilenet_v3_searcher.tflite) ซึ่งเป็นโมเดลการฝังข้อความต้นฉบับที่มี ดัชนีแนบอยู่ในข้อมูลเมตาของโมเดล TFLite

เรียกใช้การอนุมานใน Java

ขั้นตอนที่ 1: นำเข้าการอ้างอิง Gradle และการตั้งค่าอื่นๆ

คัดลอกไฟล์โมเดล .tflite searcher ไปยังไดเรกทอรีชิ้นงานของโมดูล Android ที่จะเรียกใช้โมเดล ระบุว่าไม่ควรบีบอัดไฟล์ และเพิ่มไลบรารี TensorFlow Lite ลงในไฟล์ build.gradle ของโมดูล

android {
    // Other settings

    // Specify tflite index 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-vision:0.4.4'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}

ขั้นตอนที่ 2: การใช้โมเดล

// Initialization
TextSearcherOptions options =
    TextSearcherOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setSearcherOptions(
            SearcherOptions.builder().setL2Normalize(true).build())
        .build();
TextSearcher textSearcher =
    textSearcher.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<NearestNeighbor> results = textSearcher.search(text);

ดูตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher ได้ในซอร์สโค้ดและ javadoc

เรียกใช้การอนุมานใน C++

// Initialization
TextSearcherOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
options.mutable_embedding_options()->set_l2_normalize(true);
std::unique_ptr<TextSearcher> text_searcher = TextSearcher::CreateFromOptions(options).value();

// Run inference with your input, `input_text`.
const SearchResult result = text_searcher->Search(input_text).value();

ดูตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher ได้ในซอร์สโค้ด

เรียกใช้การอนุมานใน Python

ขั้นตอนที่ 1: ติดตั้งแพ็กเกจ Pypi สำหรับการรองรับ TensorFlow Lite

คุณสามารถติดตั้งแพ็กเกจ TensorFlow Lite Support Pypi ได้โดยใช้คำสั่งต่อไปนี้

pip install tflite-support

ขั้นตอนที่ 2: การใช้โมเดล

from tflite_support.task import text

# Initialization
text_searcher = text.TextSearcher.create_from_file(model_path)

# Run inference
result = text_searcher.search(text)

ดูตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher ได้ในซอร์สโค้ด

ตัวอย่างผลการแข่ง

Results:
 Rank#0:
  metadata: The sun was shining on that day.
  distance: 0.04618
 Rank#1:
  metadata: It was a sunny day.
  distance: 0.10856
 Rank#2:
  metadata: The weather was excellent.
  distance: 0.15223
 Rank#3:
  metadata: The cat is chasing after the mouse.
  distance: 0.34271
 Rank#4:
  metadata: He was very happy with his newly bought car.
  distance: 0.37703

ลองใช้เครื่องมือเดโม CLI แบบง่ายสำหรับ TextSearcher กับโมเดลและข้อมูลทดสอบของคุณเอง