Utilice un modelo de TensorFlow Lite para clasificar un párrafo en grupos predefinidos.
Empezar
Si es nuevo en TensorFlow Lite y está trabajando con Android, le recomendamos explorar la guía de la biblioteca de tareas de TensorFLow Lite para integrar modelos de clasificación de texto en tan solo unas pocas líneas de código. También puede integrar el modelo utilizando la API Java de TensorFlow Lite Interpreter .
El siguiente ejemplo de Android demuestra la implementación de ambos métodos como lib_task_api y lib_interpreter , respectivamente.
Si está utilizando una plataforma distinta a Android o ya está familiarizado con las API de TensorFlow Lite, puede descargar nuestro modelo inicial de clasificación de texto.
Cómo funciona
La clasificación de texto clasifica un párrafo en grupos predefinidos según su contenido.
Este modelo previamente entrenado predice si el sentimiento de un párrafo es positivo o negativo. Fue entrenado en Large Movie Review Dataset v1.0 de Mass et al, que consta de reseñas de películas de IMDB etiquetadas como positivas o negativas.
Estos son los pasos para clasificar un párrafo con el modelo:
- Tokenice el párrafo y conviértalo en una lista de identificadores de palabras utilizando un vocabulario predefinido.
- Alimente la lista al modelo TensorFlow Lite.
- Obtenga la probabilidad de que el párrafo sea positivo o negativo a partir de los resultados del modelo.
Nota
- Sólo se admite el inglés.
- Este modelo se entrenó en un conjunto de datos de reseñas de películas, por lo que es posible que experimente una precisión reducida al clasificar texto de otros dominios.
Puntos de referencia de rendimiento
Los números de referencia de rendimiento se generan con la herramienta que se describe aquí .
| Nombre del modelo | Tamaño del modelo | Dispositivo | UPC |
|---|---|---|---|
| Clasificación de texto | 0,6 MB | Píxel 3 (Android 10) | 0,05 ms* |
| Píxel 4 (Android 10) | 0,05 ms* | ||
| iPhone XS (iOS 12.4.1) | 0,025 ms** |
*Se utilizan 4 hilos.
** Se utilizan 2 subprocesos en iPhone para obtener el mejor resultado de rendimiento.
Salida de ejemplo
| Texto | Negativo (0) | Positivo (1) |
|---|---|---|
| Esta es la mejor película que he visto en los últimos años. ¡Lo recomiendo encarecidamente! | 25,3% | 74,7% |
| ¡Qué desperdicio de mi tiempo. | 72,5% | 27,5% |
Utilice su conjunto de datos de entrenamiento
Siga este tutorial para aplicar la misma técnica que se utiliza aquí para entrenar un modelo de clasificación de texto utilizando sus propios conjuntos de datos. Con el conjunto de datos adecuado, puede crear un modelo para casos de uso como la categorización de documentos o la detección de comentarios tóxicos.