MediaPipe 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。類別會決定您使用的模型 以及該模型的訓練方式以下操作說明將說明如何搭配 Python 使用文字分類器。
如要查看這項工作的實際運作情形,請參閱網頁示範。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
文字分類器的範例程式碼提供此工作在 Python 中的完整實作,供您參考。這段程式碼可協助您測試這項工作,並開始建構您自己的文字分類應用程式。您可以透過網路瀏覽器檢視、執行及編輯文字分類器範例程式碼。
如果您要實作 Raspberry Pi 的文字分類器,請參閱 Raspberry Pi 範例應用程式。
設定
本節說明設定開發環境的重要步驟,以及專門用於使用文字分類器的程式碼專案。如需瞭解如何使用 MediaPipe 工作設定開發環境的一般資訊,包括平台版本需求,請參閱 Python 設定指南。
套裝組合
Text Classifier 使用 mediapipe pip 套件。這些依附元件可安裝如下:
$ python -m pip install mediapipe
匯入
匯入下列類別即可存取文字分類器工作函式:
from mediapipe.tasks import python
from mediapipe.tasks.python import text
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,然後儲存至本機目錄:
model_path = '/absolute/path/to/text_classifier.tflite'
請使用 BaseOptions
物件 model_asset_path
參數指定模型路徑,如下所示:
base_options = BaseOptions(model_asset_path=model_path)
建立工作
MediaPipe 文字分類器工作會使用 create_from_options
函式設定工作。create_from_options
函式可接受設定選項的值,用來設定分類器選項。此外,您也可以使用 create_from_model_path
工廠函式來初始化工作。create_from_model_path
函式可接受已訓練模型檔案的相對或絕對路徑。如要進一步瞭解設定選項,請參閱「設定選項」一文。
下列程式碼示範如何建構及設定這項工作。
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)
設定選項
這項工作的 Android 應用程式設定選項如下:
選項名稱 | 說明 | 值範圍 | 預設值 |
---|---|---|---|
display_names_locale |
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 |
max_results |
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 |
score_threshold |
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 |
category_allowlist |
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 category_denylist 互斥,且同時使用兩者會導致錯誤。 |
任何字串 | 未設定 |
category_denylist |
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 category_allowlist 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 (str
) 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
函式中處理。不需要事先對輸入文字進行額外的預先處理。
input_text = 'The input text to be classified.'
執行工作
文字分類器使用 classify
函式觸發推論。針對文字分類,這代表傳回輸入文字的可能類別。
下列程式碼示範如何使用工作模型執行處理。
with python.text.TextClassifier.create_from_options(options) as classifier:
classification_result = classifier.classify(text)
處理並顯示結果
文字分類器會輸出 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,因此如果您想使用不同的類別,請挑選其他模型,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"
。