進一步瞭解 I/O 大會公布的 Google AI Edge 公告

本頁面由 Cloud Translation API 翻譯而成。

iOS 文字分類指南

「文字分類器」工作可讓您將文字歸類到一組已定義的類別，例如正面或負面情緒。類別取決於您使用的模型及模型的訓練方式。這些操作說明將說明如何在 iOS 應用程式中使用文字分類器。您可以前往 GitHub 取得這些操作說明中提及的程式碼範例。

如要查看這項工作的實際運作情形，請參閱此網路示範。如要進一步瞭解這項工作的功能、模型和設定選項，請參閱總覽。

程式碼範例

MediaPipe Tasks 範例程式碼是 iOS 文字分類器應用程式的基本實作。

您可以將該應用程式做為建立自己的 iOS 應用程式的基礎，或在修改現有應用程式時參照。您可以參考 GitHub 上的文字分類器範例程式碼。

下載程式碼

以下操作說明說明如何使用 git 指令列工具建立範例程式碼的本機副本。

如要下載範例程式碼，請按照下列步驟操作：

使用下列指令複製 Git 存放區：

git clone https://github.com/google-ai-edge/mediapipe-samples

您可以選擇設定 git 執行個體以使用稀疏檢查，如此一來，您只有 Text Classifier 範例應用程式的檔案：
```
cd mediapipe
git sparse-checkout init --cone
git sparse-checkout set examples/text_classification/ios/
```

建立範例程式碼的本機版本後，您可以安裝 MediaPipe 工作程式庫，使用 Xcode 開啟專案，然後執行應用程式。如需操作說明，請參閱 iOS 設定指南。

重要元件

下列檔案包含 Text Classifier 範例應用程式的重要程式碼：

TextClassifierHelper.swift：初始化文字分類器並處理模型選取作業。
ViewController.swift：實作 UI 並將結果格式化。

設定

本節說明設定開發環境及程式碼專案以使用文字分類器的重要步驟。如需瞭解如何設定開發環境以使用 MediaPipe 工作 (包括平台版本需求)，請參閱「iOS 設定指南」。

依附元件

文字分類器會使用 MediaPipeTasksText 程式庫，而此程式庫必須使用 CocoaPods 安裝。這個程式庫與 Swift 和 Objective-C 應用程式相容，不需要任何其他語言的特定設定。

如需在 macOS 上安裝 CocoaPods 的操作說明，請參閱 CocoaPods 安裝指南。如要瞭解如何建立具有應用程式必要 Pod 的 Podfile，請參閱「使用 CocoaPods」。

使用下列程式碼，在 Podfile 中新增 MediaPipeTasksText Pod：

target 'MyTextClassifierApp' do
  use_frameworks!
  pod 'MediaPipeTasksText'
end

如果您的應用程式含有單元測試目標，請參閱 iOS 設定指南，進一步瞭解如何設定 Podfile。

型號

MediaPipe 文字分類器工作需要使用與這項工作相容的已訓練模型。如要進一步瞭解文字分類器的可用已訓練模型，請參閱工作總覽「模型」一節。

選取並下載模型，然後使用 Xcode 將其新增至專案目錄。如需將檔案新增至 Xcode 專案的操作說明，請參閱「管理 Xcode 專案中的檔案和資料夾」。

使用 BaseOptions.modelAssetPath 屬性指定應用程式套件中的模型路徑。如需程式碼範例，請參閱下一節。

建立工作

如要建立文字分類器工作，請呼叫其中一個初始化器。TextClassifier(options:) 初始化器會設定設定選項的值。

如果您不需要使用自訂設定選項初始化的文字分類器，可以使用 TextClassifier(modelPath:) 初始化器，以預設選項建立文字分類器。如要進一步瞭解設定選項，請參閱「設定總覽」。

下列程式碼示範如何建構及設定這項工作。

Swift

import MediaPipeTasksText

let modelPath = Bundle.main.path(forResource: "model",
                                      ofType: "tflite")

let options = TextClassifierOptions()
options.baseOptions.modelAssetPath = modelPath
options.scoreThreshold = 0.6

let textClassifier = try TextClassifier(options: options)

Objective-C

@import MediaPipeTasksText;

NSString *modelPath = [[NSBundle mainBundle] pathForResource:@"model"
                                                      ofType:@"tflite"];

MPPTextClassifierOptions *options = [[MPPTextClassifierOptions alloc] init];
options.baseOptions.modelAssetPath = modelPath;
options.scoreThreshold = 0.6;

MPPTextClassifier *textClassifier =
      [[MPPTextClassifier alloc] initWithOptions:options error:nil];

設定選項

這項工作的 iOS 應用程式設定選項如下：

選項名稱	說明	值範圍	預設值
`displayNamesLocale`	設定標籤語言，用於工作模型中繼資料內的顯示名稱 (如有)。英文的預設值是 `en`。您可以使用 TensorFlow Lite Metadata Writer API，在自訂模型的中繼資料中加入本地化標籤。	語言代碼	en
`maxResults`	設定要傳回的最高評分分類結果數量上限 (選用)。如果小於 0，系統會傳回所有可用的結果。	任何正數	`-1`
`scoreThreshold`	設定預測分數門檻，覆寫模型中繼資料 (如有) 中提供的分數門檻。這個值下方的結果遭到拒絕。	不限浮點值	未設定
`categoryAllowlist`	設定允許的類別名稱 (選用)。如果不是空白，系統會篩除類別名稱不在這個組合中的分類結果。系統會忽略重複或不明的類別名稱。這個選項與 `categoryDenylist` 互斥，且同時使用兩者會導致錯誤。	任何字串	未設定
`categoryDenylist`	設定不允許使用的類別名稱清單。如果不是空白，系統會篩除類別名稱在此集合中的分類結果。系統會忽略重複或不明的類別名稱。這個選項與 `categoryAllowlist` 互斥，且同時使用兩者會導致錯誤。	任何字串	未設定

準備資料

文字分類器適用於文字資料，這項工作會處理資料輸入預先處理作業，包括代碼化和張量預先處理。

所有預先處理作業都會在 classify(text:) 函式中處理。不需要事先對輸入文字進行額外的預先處理。

Swift

let text = "The input text to be classified."

Objective-C

NSString *text = @"The input text to be classified.";

執行工作

如要執行文字分類器，請使用 classify(text:) 方法。文字分類器會傳回輸入文字的可能類別。

Swift

let result = try textClassifier.classify(text: text)

Objective-C

MPPTextClassifierResult *result = [textClassifier classifyText:text
                                                          error:nil];

注意：工作會封鎖目前的執行緒，直到其完成文字推論作業為止。為避免封鎖目前的執行緒，請使用 iOS Dispatch 或 NSOperation 架構在背景執行緒中執行處理作業。

處理並顯示結果

執行推論時，文字分類器工作會傳回 TextClassifierResult 物件，其中包含輸入文字的可能類別清單。類別是由您使用的模型定義，因此如果您想要不同類別，請選擇其他模型，或重新訓練現有模型。

以下為這項工作的輸出資料範例：

TextClassificationResult:
  Classification #0 (single classification head):
    ClassificationEntry #0:
      Category #0:
        category name: "positive"
        score: 0.8904
        index: 0
      Category #1:
        category name: "negative"
        score: 0.1096
        index: 1

對輸入文字執行 BERT-classifier 已取得這項結果："an imperfect but overall entertaining mystery"。

範例程式碼中的 ViewController.swift 檔案示範如何顯示工作傳回的偵測結果。