Leitfaden zur Textklassifizierung für Python

Mit der Aufgabe „Textklassifikator“ von MediaPipe können Sie Text in eine Reihe definierter Kategorien, wie positive oder negative Stimmungen. Die Kategorien hängen vom Modell ab, und wie dieses Modell trainiert wurde. In dieser Anleitung erfahren Sie, wie Sie den Textklassifikator mit Python.

Sie können diese Aufgabe in Aktion sehen, indem Sie die Web-Demo: Weitere Informationen zu den Funktionen, Modellen und Die Konfigurationsoptionen dieser Aufgabe finden Sie in der Übersicht.

Codebeispiel

Der Beispielcode für den Textklassifikator bietet eine vollständige Implementierung dieses in Python. Dieser Code hilft Ihnen, diese Aufgabe zu testen und mit der Entwicklung einer eigenen App zur Textklassifizierung. Sie können Daten abrufen, ausführen und Textklassifikator bearbeiten Beispielcode ganz einfach in Ihrem Webbrowser.

Wenn Sie den Textklassifikator für Raspberry Pi implementieren, finden Sie weitere Informationen in der Beispiel für Raspberry Pi App.

Einrichtung

In diesem Abschnitt werden die wichtigsten Schritte zum Einrichten Ihrer Entwicklungsumgebung und mit dem Textklassifikator verwendet werden soll. Allgemeine Informationen zu Einrichten Ihrer Entwicklungsumgebung für die Verwendung von MediaPipe Tasks, einschließlich Plattformversionsanforderungen finden Sie in der Einrichtungsleitfaden für Python

Pakete

Der Textklassifikator verwendet das pip-Paket von mediapipe. Sie können Folgendes installieren: diese Abhängigkeiten durch Folgendes:

$ python -m pip install mediapipe

Importe

Importieren Sie die folgenden Klassen, um auf die Aufgabenfunktionen des Textklassifikators zuzugreifen:

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

Modell

Für die Aufgabe „Textklassifikator“ von MediaPipe ist ein trainiertes Modell erforderlich, das mit dieser für die Aufgabe. Weitere Informationen zu verfügbaren trainierten Modellen für den Textklassifikator finden Sie unter in der Aufgabenübersicht im Abschnitt „Modelle“.

Wählen Sie ein Modell aus, laden Sie es herunter und speichern Sie es dann in einem lokalen Verzeichnis:

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

Geben Sie den Pfad des Modells mit dem BaseOptions-Objekt model_asset_path an wie unten gezeigt:

base_options = BaseOptions(model_asset_path=model_path)

Aufgabe erstellen

In der Aufgabe „Textklassifikator“ von MediaPipe wird mit der Funktion create_from_options die Methode für die Aufgabe. Die Funktion create_from_options akzeptiert Werte für die Konfiguration um die Klassifikator-Optionen festzulegen. Sie können die Aufgabe auch mit die Factory-Funktion create_from_model_path. Das create_from_model_path akzeptiert einen relativen oder absoluten Pfad zur Datei des trainierten Modells. Weitere Informationen zu Konfigurationsoptionen finden Sie unter Konfigurationsoptionen.

Der folgende Code zeigt, wie diese Aufgabe erstellt und konfiguriert wird.

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)

Konfigurationsoptionen

Diese Aufgabe bietet die folgenden Konfigurationsoptionen für Android-Apps:

Daten vorbereiten

Der Textklassifikator funktioniert mit Textdaten (str). Die Aufgabe verarbeitet die Dateneingabe Vorverarbeitung, einschließlich Tokenisierung und Tensor-Vorverarbeitung.

Die gesamte Vorverarbeitung erfolgt über die Funktion classify. Es ist nicht nötig, zur zusätzlichen Vorverarbeitung des Eingabetexts.

input_text = 'The input text to be classified.'

Aufgabe ausführen

Der Textklassifikator verwendet die Funktion classify, um Inferenzen auszulösen. Für Text Klassifizierung bedeutet, dass die möglichen Kategorien für den Eingabetext zurückgegeben werden.

Der folgende Code zeigt, wie die Verarbeitung mit der Aufgabe ausgeführt wird. modellieren.

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

Ergebnisse verarbeiten und anzeigen

Der Textklassifikator gibt ein TextClassifierResult-Objekt mit einer Liste aus möglicher Kategorien für den Eingabetext. Die Kategorien werden durch die Wählen Sie ein anderes Modell aus, wenn Sie verschiedene Kategorien nutzen möchten. oder ein vorhandenes neu trainieren.

Im Folgenden sehen Sie ein Beispiel für die Ausgabedaten dieser Aufgabe:

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

Dieses Ergebnis erhalten Sie, indem Sie den BERT-Klassifikator für den Eingabetext ausgeführt haben: "an imperfect but overall entertaining mystery"