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針對網頁和 JavaScript 應用程式使用文字分類器。
如要查看這項工作的實際運作情形,請查看示範。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 JavaScript 中的完整實作,供您參考。這個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查看及編輯文字分類器範例程式碼。
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,請參閱網頁版設定指南。
JavaScript 套件
您可以在 @mediapipe/tasks-text
套件中找到文字分類器程式碼。您可以從平台設定指南中提供的連結尋找及下載這些程式庫。
您可以使用下列指令,安裝具有以下程式碼的必要套件,以執行本機暫存:
npm install @mediapipe/tasks-text
如要將程式碼部署至伺服器,您可以使用內容傳遞網路 (CDN) 服務 (例如 jsDelivr),將程式碼直接新增至 HTML 網頁,如下所示:
<head>
<script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-text@0.1/text-bundle.js"
crossorigin="anonymous"></script>
</head>
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,然後將其儲存在專案目錄中:
<dev-project-root>/assets/bert_text_classifier.tflite
請使用 baseOptions
物件 modelAssetPath
參數指定模型路徑,如下所示:
baseOptions: {
modelAssetPath: `/assets/bert_text_classifier.tflite`
}
建立工作
使用其中一個文字分類器 TextClassifier.createFrom...()
函式,為執行推論的準備工作。您可以使用 createFromModelPath()
函式,搭配已訓練模型檔案的相對或絕對路徑。以下程式碼範例示範如何使用 TextClassifier.createFromOptions()
函式。如要進一步瞭解可用的設定選項,請參閱設定選項一文。
以下程式碼示範如何建構及設定這項工作:
async function createClassifier() {
const textFiles = await FilesetResolver.forTextTasks("https://cdn.jsdelivr.net/npm/@mediapipe/tasks-text@latest/wasm/");
textClassifier = await TextClassifier.createFromOptions(
textFiles,
{
baseOptions: {
modelAssetPath: `https://storage.googleapis.com/mediapipe-tasks/text_classifier/bert_text_classifier.tflite`
},
maxResults: 5
}
);
}
createClassifier();
設定選項
這項工作有以下網頁和 JavaScript 應用程式的設定選項:
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 (String
) 資料。工作會處理資料輸入的預先處理作業,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。
const inputText = "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。
// Wait to run the function until inner text is set
const result: TextClassifierResult = await textClassifier.classify(
inputText
);
處理並顯示結果
文字分類器會輸出 TextClassifierResult
,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,請選擇其他模型,或重新訓練現有的模型。
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"
。