ผสานรวมตัวแยกประเภทภาษาธรรมชาติของ BERT

ไลบรารีงาน BertNLClassifier API นั้นคล้ายกับ NLClassifier ที่จัดประเภทข้อความอินพุตเป็นหมวดหมู่ต่างๆ ยกเว้นว่า API นี้ได้รับการปรับแต่งเป็นพิเศษสำหรับโมเดลที่เกี่ยวข้องกับ Bert ที่ต้องใช้โทเค็น Wordpiece และ Sentencepiece นอกโมเดล TFLite

คุณสมบัติหลักของ BertNLClassifier API

• รับสตริงเดียวเป็นอินพุต ทำการจำแนกประเภทด้วยสตริงและเอาต์พุต คู่เป็นผลการจัดหมวดหมู่

• ดำเนินการ โทเค็น Wordpiece หรือ Sentencepiece ที่ไม่อยู่ในกราฟบนข้อความที่ป้อน

รุ่นที่รองรับ BertNLClassifier

รุ่นต่อไปนี้เข้ากันได้กับ BertNLClassifier API

• Bert Models ที่สร้างโดย TensorFlow Lite Model Maker สำหรับ text Classfication

• โมเดลแบบกำหนดเองที่ตรงตาม ข้อกำหนดความเข้ากันได้ ของโมเดล

เรียกใช้การอนุมานใน Java

ขั้นตอนที่ 1: นำเข้าการพึ่งพา Gradle และการตั้งค่าอื่นๆ

คัดลอกไฟล์โมเดล .tflite ไปยังไดเร็กทอรีทรัพย์สินของโมดูล Android ที่จะเรียกใช้โมเดล ระบุว่าไม่ควรบีบอัดไฟล์ และเพิ่มไลบรารี TensorFlow Lite ลงในไฟล์ build.gradle ของโมดูล:

android {
    // Other settings

    // Specify tflite file should not be compressed for the app apk
    aaptOptions {
        noCompress "tflite"
    }

}

dependencies {
    // Other dependencies

    // Import the Task Text Library dependency (NNAPI is included)
    implementation 'org.tensorflow:tensorflow-lite-task-text:0.3.0'
}

ขั้นตอนที่ 2: เรียกใช้การอนุมานโดยใช้ API

// Initialization
BertNLClassifierOptions options =
    BertNLClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().setNumThreads(4).build())
        .build();
BertNLClassifier classifier =
    BertNLClassifier.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<Category> results = classifier.classify(input);

ดู ซอร์สโค้ด สำหรับรายละเอียดเพิ่มเติม

เรียกใช้การอนุมานใน Swift

ขั้นตอนที่ 1: นำเข้า CocoaPods

เพิ่มพ็อด TensorFlowLiteTaskText ใน Podfile

target 'MySwiftAppWithTaskAPI' do
  use_frameworks!
  pod 'TensorFlowLiteTaskText', '~> 0.2.0'
end

ขั้นตอนที่ 2: เรียกใช้การอนุมานโดยใช้ API

// Initialization
let bertNLClassifier = TFLBertNLClassifier.bertNLClassifier(
      modelPath: bertModelPath)

// Run inference
let categories = bertNLClassifier.classify(text: input)

ดู ซอร์สโค้ด สำหรับรายละเอียดเพิ่มเติม

เรียกใช้การอนุมานใน C++

// Initialization
BertNLClassifierOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<BertNLClassifier> classifier = BertNLClassifier::CreateFromOptions(options).value();

// Run inference with your input, `input_text`.
std::vector<core::Category> categories = classifier->Classify(input_text);

ดู ซอร์สโค้ด สำหรับรายละเอียดเพิ่มเติม

เรียกใช้การอนุมานใน Python

ขั้นตอนที่ 1: ติดตั้งแพ็คเกจ pip

pip install tflite-support

ขั้นตอนที่ 2: การใช้โมเดล

# Imports
from tflite_support.task import text

# Initialization
classifier = text.BertNLClassifier.create_from_file(model_path)

# Run inference
text_classification_result = classifier.classify(text)

ดู ซอร์สโค้ด สำหรับตัวเลือกเพิ่มเติมในการกำหนดค่า BertNLClassifier

ตัวอย่างผลลัพธ์

นี่คือตัวอย่างผลการจัดหมวดหมู่บทวิจารณ์ภาพยนตร์โดยใช้โมเดล MobileBert จาก Model Maker

ข้อมูลป้อน: "เป็นการเดินทางที่มีเสน่ห์และมักส่งผลกระทบต่อ"

เอาท์พุท:

category[0]: 'negative' : '0.00006'
category[1]: 'positive' : '0.99994'

ลองใช้ เครื่องมือสาธิต CLI อย่างง่ายสำหรับ BertNLClassifier ด้วยแบบจำลองและข้อมูลทดสอบของคุณเอง

ข้อกำหนดความเข้ากันได้ของรุ่น

BetNLClassifier API คาดหวังโมเดล TFLite ที่มีข้อมูลเมตาของ โมเดล TFLite บังคับ

ข้อมูลเมตาควรเป็นไปตามข้อกำหนดต่อไปนี้:

• input_process_units สำหรับ Wordpiece/Sentencepiece Tokenizer

• 3 เทนเซอร์อินพุตที่มีชื่อ "ids", "mask" และ "segment_ids" สำหรับเอาต์พุตของ tokenizer

• 1 เทนเซอร์เอาต์พุตประเภท float32 พร้อมไฟล์ป้ายกำกับที่แนบมาด้วย หากแนบไฟล์ป้ายกำกับ ไฟล์ควรเป็นไฟล์ข้อความธรรมดาที่มีหนึ่งป้ายกำกับต่อบรรทัด และจำนวนป้ายกำกับควรตรงกับจำนวนหมวดหมู่ตามที่โมเดลส่งออก