Google AI Edge Portal 隆重推出：大規模基準測試 Edge AI。申請在非公開預先發布版期間要求存取權。

網頁的文字分類指南

MediaPipe Text Classifier 工作可將文字分類至一組定義的類別，例如正面或負面情緒。類別取決於您使用的模型和模型訓練方式。以下操作說明將示範如何使用網頁和 JavaScript 應用程式的文字分類器。

如要查看這項工作實際運作情形，請參閱示範。如要進一步瞭解這項工作的各項功能、模型和設定選項，請參閱總覽。

程式碼範例

Text Classifier 的程式碼範例提供以 JavaScript 完整實作這項工作的範例，供您參考。這段程式碼可協助您測試這項工作，並開始建構自己的文字分類應用程式。您只需使用網路瀏覽器，即可查看、執行及編輯文字分類器範例。

設定

本節說明設定開發環境和程式碼專案的主要步驟，以便使用 Text Classifier。如要瞭解如何設定開發環境以使用 MediaPipe Tasks，包括平台版本需求，請參閱 Web 設定指南。

JavaScript 套件

您可以透過 @mediapipe/tasks-text 套件取得文字分類工具程式碼。如要尋找及下載這些程式庫，請參閱平台設定指南中的連結。

您可以使用下列指令，為本機暫存環境安裝必要套件：

npm install @mediapipe/tasks-text

如要部署至伺服器，可以使用內容傳遞網路 (CDN) 服務 (例如 jsDelivr)，直接將程式碼新增至 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與這項工作相容的訓練模型。如要進一步瞭解文字分類器可用的訓練模型，請參閱工作總覽的「模型」部分。

選取並下載模型，然後儲存在專案目錄中：

<dev-project-root>/assets/bert_text_classifier.tflite

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 Text Classifier TextClassifier.createFrom...() 函式，準備執行推論工作。您可以搭配相對或絕對路徑，將訓練好的模型檔案傳遞至 createFromModelPath() 函式。下方的程式碼範例說明如何使用 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」。

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

這項工作提供下列網頁和 JavaScript 應用程式的設定選項：

選項名稱	說明	值範圍	預設值
`displayNamesLocale`	如果工作模型的中繼資料提供顯示名稱，則設定要使用的標籤語言。英文的預設值為 `en`。您可以使用 TensorFlow Lite Metadata Writer API，為自訂模型的中繼資料新增本地化標籤。	地區代碼	en
`maxResults`	設定要傳回的最高分數分類結果數量上限 (選用)。如果 < 0，則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) 提供的門檻。低於這個值的分數會遭到拒絕。	任何浮點數	未設定
`categoryAllowlist`	設定允許的類別名稱選用清單。如果這個集合不為空，系統會篩除類別名稱不在這個集合中的分類結果。系統會忽略重複或不明的類別名稱。這個選項與 `categoryDenylist` 互斥，同時使用兩者會導致錯誤。	任何字串	未設定
`categoryDenylist`	設定選用的不允許類別名稱清單。如果非空白，系統會篩除類別名稱位於這個集合中的分類結果。系統會忽略重複或不明的類別名稱。這個選項與 `categoryAllowlist` 互斥，同時使用兩者會導致錯誤。	任何字串	未設定

準備資料

文字分類工具適用於文字 (String) 資料。這項工作會處理資料輸入預先處理作業，包括斷詞和張量預先處理。

所有前置處理作業都會在 classify() 函式中處理。不需要事先對輸入文字進行額外預先處理。

const inputText = "The input text to be classified.";

執行工作

Text Classifier 會使用 classify() 函式觸發推論。如果是文字分類，這表示要傳回輸入文字的可能類別。

以下程式碼示範如何使用工作模型執行處理作業。

// Wait to run the function until inner text is set
const result: TextClassifierResult = await textClassifier.classify(
  inputText
);

處理及顯示結果

Text Classifier 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，因此如要使用不同類別，請選取其他模型，或重新訓練現有模型。

以下是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

這項結果是透過對輸入文字執行 BERT 分類器而得： "an imperfect but overall entertaining mystery"。