Python용 텍스트 분류 가이드

MediaPipe Text Classifier 작업을 사용하면 텍스트를 정의된 카테고리 집합으로 분류할 수 있습니다. 긍정적 또는 부정적 감정인지에 따라 구분됩니다. 카테고리는 모델이 학습한 방식을 보여줍니다. 이 안내에서는 텍스트 분류기를 사용해 보겠습니다.

이 작업의 동작을 확인하려면 웹 데모: Google Cloud의 기능, 모델 및 구성 옵션에 대해서는 개요를 참조하세요.

코드 예

Text Classifier의 코드 예는 참고하세요. 이 코드는 이 작업을 테스트하고 자체 텍스트 분류 앱을 빌드해 보았습니다. 데이터를 보고, 실행하고, Text Classifier 수정 예시 코드 할 수 있습니다.

Raspberry Pi용 Text Classifier를 구현하는 경우 Raspberry Pi 예시 앱을 엽니다.

설정

이 섹션에서는 개발 환경을 설정하는 주요 단계를 설명하고 Text Classifier를 사용할 수 있습니다. 일반적인 정보 다음과 같은 MediaPipe 작업을 사용하기 위한 개발 환경 설정 자세한 내용은 Python 설정 가이드

<ph type="x-smartling-placeholder">

패키지

Text Classifier는 mediapipe pip 패키지를 사용합니다. 다음을 설치할 수 있습니다. 다음 종속 항목을 추가합니다.

$ python -m pip install mediapipe

가져오기

Text Classifier 작업 함수에 액세스하려면 다음 클래스를 가져옵니다.

from mediapipe.tasks import python
from mediapipe.tasks.python import text

모델

MediaPipe Text Classifier 작업에는 이와 호환되는 학습된 모델이 필요합니다. 태스크에 맞추는 것입니다. Text Classifier에 사용할 수 있는 학습된 모델에 대한 자세한 내용은 다음을 참고하세요. 작업 개요의 모델 섹션을 확인합니다.

모델을 선택하고 다운로드한 후 로컬 디렉터리에 저장합니다.

model_path = '/absolute/path/to/text_classifier.tflite'

BaseOptions 객체 model_asset_path로 모델의 경로를 지정합니다. 매개변수를 전달할 수 있습니다.

base_options = BaseOptions(model_asset_path=model_path)

할 일 만들기

MediaPipe Text Classifier 작업은 create_from_options 함수를 사용하여 태스크에 맞추는 것입니다. create_from_options 함수는 구성 값을 허용함 옵션을 사용하여 분류 기준 옵션을 설정합니다. 다음을 사용하여 작업을 초기화할 수도 있습니다. create_from_model_path 팩토리 함수입니다. create_from_model_path 함수는 학습된 모델 파일에 대한 상대 또는 절대 경로를 허용합니다. 구성 옵션에 대한 자세한 내용은 다음을 참조하세요. 구성 옵션.

다음 코드는 이 작업을 빌드하고 구성하는 방법을 보여줍니다.

base_options = python.BaseOptions(model_asset_path=model_path)
options = text.TextClassifierOptions(base_options=base_options)

with python.text.TextClassifier.create_from_options(options) as classifier:
  classification_result = classifier.classify(text)

구성 옵션

이 작업에는 Android 앱을 위한 다음과 같은 구성 옵션이 있습니다.

옵션 이름 설명 값 범위 기본값
display_names_locale 작업 모델의 메타데이터입니다(있는 경우). 기본값은 en입니다. 영어입니다. 커스텀 모델의 메타데이터에 현지화된 라벨을 추가할 수 있습니다. TensorFlow Lite Metadata Writer API 사용 언어 코드 en
max_results 최고 점수를 매긴 분류 결과의 최대 개수(선택사항)를 반환합니다. < 0이면 사용 가능한 모든 결과가 반환됩니다. 모든 양수 -1
score_threshold 제공된 값을 재정의하는 예측 점수 임곗값을 설정합니다. 모델 메타데이터 (있는 경우) 이 값 미만의 결과는 거부됩니다. 모든 부동 소수점 수 설정되지 않음
category_allowlist 허용되는 카테고리 이름의 목록(선택사항)을 설정합니다. 비어 있지 않은 경우 카테고리 이름이 이 집합에 없는 분류 결과는 표시됩니다. 중복되거나 알 수 없는 카테고리 이름은 무시됩니다. 이 옵션은 category_denylist와 상호 배타적이며 둘 다 오류가 발생합니다. 모든 문자열 설정되지 않음
category_denylist 허용되지 않는 카테고리 이름의 목록(선택사항)을 설정합니다. 만약 비어 있지 않음. 카테고리 이름이 이 세트에 포함된 분류 결과가 필터링됩니다. 있습니다. 중복되거나 알 수 없는 카테고리 이름은 무시됩니다. 이 옵션은 category_allowlist와 함께 사용할 수 없으며 두 가지를 모두 사용하면 오류가 발생합니다. 모든 문자열 설정되지 않음

데이터 준비

Text Classifier는 텍스트 (str) 데이터와 함께 사용할 수 있습니다. 작업에서 데이터 입력을 처리함 전처리(토큰화 및 텐서 전처리 포함)

모든 사전 처리는 classify 함수 내에서 처리됩니다. 필요하지 않음 를 사용합니다.

input_text = 'The input text to be classified.'

작업 실행

Text Classifier는 classify 함수를 사용하여 추론을 트리거합니다. 텍스트 이는 입력 텍스트에 대해 가능한 카테고리를 반환하는 것을 의미합니다.

다음 코드는 작업으로 처리를 실행하는 방법을 보여줍니다. 있습니다.

with python.text.TextClassifier.create_from_options(options) as classifier:
  classification_result = classifier.classify(text)

결과 처리 및 표시

Text Classifier는 목록이 포함된 TextClassifierResult 객체를 출력합니다. 카테고리를 정하는 것입니다. 카테고리는 사용할 수 있습니다. 다른 카테고리를 원한다면 다른 모델을 선택하세요. 기존 항목을 다시 학습시킵니다

다음은 이 작업의 출력 데이터 예시를 보여줍니다.

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

이 결과는 입력 텍스트에 BERT-classifier를 실행하여 얻은 것입니다. "an imperfect but overall entertaining mystery"입니다.