รวมตัวแยกประเภทภาษาธรรมชาติของ BERT

Task Library BertNLClassifier API คล้ายกันมากกับ NLClassifier ที่จัดประเภทข้อความอินพุตเป็นหมวดหมู่ต่างๆ ยกเว้นว่า API นี้ได้รับการออกแบบมาเป็นพิเศษสำหรับโมเดลที่เกี่ยวข้องกับ Bert ซึ่งต้องใช้โทเค็น Wordpiece และ Sentencepiece ภายนอกโมเดล TFLite

คุณสมบัติที่สำคัญของ BertNLClassifier API

  • รับสตริงเดี่ยวเป็นอินพุต ดำเนินการจำแนกประเภทด้วยสตริงและเอาต์พุต คู่เป็นผลการจำแนกประเภท

  • ดำเนินการโทเค็น Wordpiece หรือ Sentencepiece นอกกราฟในข้อความที่ป้อน

รุ่น BertNLClassifier ที่รองรับ

รุ่นต่อไปนี้เข้ากันได้กับ BertNLClassifier API

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:0.4.4'
}

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', '~> 0.4.4'
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: การใช้แบบจำลอง

# 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

ข้อมูล: "มีเสน่ห์และมักส่งผลต่อการเดินทาง"

เอาท์พุท:

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

ลองใช้ เครื่องมือสาธิต CLI ง่ายๆ สำหรับ BertNLClassifier ด้วยโมเดลและข้อมูลการทดสอบของคุณเอง

ข้อกำหนดความเข้ากันได้ของโมเดล

BetNLClassifier API คาดว่าจะมีโมเดล TFLite พร้อมด้วย ข้อมูลเมตาของโมเดล TFLite ที่บังคับ

ข้อมูลเมตาควรเป็นไปตามข้อกำหนดต่อไปนี้:

  • input_process_units สำหรับ Tokenizer ของ Wordpiece/Sentencepiece

  • เทนเซอร์อินพุต 3 ตัวที่มีชื่อ "ids", "mask" และ "segment_ids" สำหรับเอาต์พุตของโทเค็น

  • เทนเซอร์เอาท์พุต 1 ตัวประเภท float32 พร้อมไฟล์ป้ายกำกับที่แนบมาด้วย หากแนบไฟล์ป้ายกำกับ ไฟล์ควรเป็นไฟล์ข้อความธรรมดาที่มีหนึ่งป้ายกำกับต่อบรรทัด และจำนวนป้ายกำกับควรตรงกับจำนวนหมวดหมู่ตามเอาต์พุตของโมเดล