از یک مدل TensorFlow Lite برای دسته بندی یک پاراگراف در گروه های از پیش تعریف شده استفاده کنید.
شروع کنید
اگر با TensorFlow Lite تازه کار هستید و با اندروید کار می کنید، توصیه می کنیم راهنمای TensorFLow Lite Task Library را بررسی کنید تا مدل های طبقه بندی متن را تنها در چند خط کد یکپارچه کنید. همچنین می توانید مدل را با استفاده از TensorFlow Lite Interpreter Java API ادغام کنید.
مثال اندروید زیر اجرای هر دو روش را به ترتیب به عنوان lib_task_api و lib_interpreter نشان می دهد.
اگر از پلتفرم دیگری غیر از اندروید استفاده می‌کنید، یا از قبل با APIهای TensorFlow Lite آشنا هستید، می‌توانید مدل طبقه‌بندی متن شروع ما را دانلود کنید.
چگونه کار می کند
طبقه بندی متن یک پاراگراف را بر اساس محتوای آن به گروه های از پیش تعریف شده دسته بندی می کند.
این مدل از پیش آموزش دیده، مثبت یا منفی بودن احساسات یک پاراگراف را پیش بینی می کند. این مجموعه بر روی Large Movie Review Dataset v1.0 از Mass و همکاران آموزش داده شده است، که شامل نقدهای فیلم IMDB است که دارای برچسب مثبت یا منفی هستند.
در اینجا مراحل طبقه بندی یک پاراگراف با مدل وجود دارد:
- پاراگراف را توکن کرده و با استفاده از واژگان از پیش تعریف شده به فهرستی از شناسه های کلمه تبدیل کنید.
- لیست را به مدل TensorFlow Lite تغذیه کنید.
- احتمال مثبت یا منفی بودن پاراگراف را از خروجی های مدل بدست آورید.
توجه داشته باشید
- فقط انگلیسی پشتیبانی می شود.
- این مدل بر روی مجموعه داده بررسی فیلم آموزش داده شده است، بنابراین ممکن است هنگام طبقه‌بندی متن دامنه‌های دیگر، دقت کمتری را تجربه کنید.
معیارهای عملکرد
اعداد معیار عملکرد با ابزار توضیح داده شده در اینجا تولید می شوند.
| نام مدل | اندازه مدل | دستگاه | CPU |
|---|---|---|---|
| طبقه بندی متن | 0.6 مگابایت | پیکسل 3 (اندروید 10) | 0.05 میلی‌ثانیه* |
| پیکسل 4 (اندروید 10) | 0.05 میلی‌ثانیه* | ||
| آیفون XS (iOS 12.4.1) | 0.025 میلی‌ثانیه ** |
* 4 نخ استفاده شده است.
** 2 رشته مورد استفاده در آیفون برای بهترین نتیجه عملکرد.
خروجی نمونه
| متن | منفی (0) | مثبت (1) |
|---|---|---|
| این بهترین فیلمی است که در سال های اخیر دیده ام. به شدت آن را توصیه می کنم! | 25.3٪ | 74.7٪ |
| چه اتلاف وقتم | 72.5٪ | 27.5٪ |
از مجموعه داده آموزشی خود استفاده کنید
این آموزش را دنبال کنید تا تکنیک مشابهی را که در اینجا برای آموزش مدل طبقه‌بندی متن با استفاده از مجموعه داده‌های خودتان استفاده می‌کنید، به کار ببرید. با مجموعه داده مناسب، می توانید یک مدل برای موارد استفاده مانند دسته بندی اسناد یا تشخیص نظرات سمی ایجاد کنید.