Zintegruj moduł odpowiadający na pytania BERT

Biblioteka zadań BertQuestionAnswerer API ładuje model Berta i odpowiada na pytania w oparciu o treść danego fragmentu. Aby uzyskać więcej informacji, zobacz dokumentację modelu Pytanie-Odpowiedź tutaj .

Najważniejsze cechy interfejsu API BertQuestionAnswerer

• Przyjmuje dwa wprowadzone dane tekstowe jako pytanie i kontekst i wyświetla listę możliwych odpowiedzi.

• Wykonuje pozagrafowe tokenizacje Wordpiece lub Sentencepiece na tekście wejściowym.

Obsługiwane modele BertQuestionAnswerer

Następujące modele są kompatybilne z interfejsem API BertNLClassifier .

• Modele stworzone przez TensorFlow Lite Model Maker dla BERT Pytanie Odpowiedź .

• Wstępnie przeszkolone modele BERT na TensorFlow Hub .

• Modele niestandardowe spełniające wymagania dotyczące kompatybilności modeli .

Uruchom wnioskowanie w Javie

Krok 1: Zaimportuj zależność Gradle i inne ustawienia

Skopiuj plik modelu .tflite do katalogu zasobów modułu Android, w którym model będzie uruchamiany. Określ, że plik nie powinien być kompresowany i dodaj bibliotekę TensorFlow Lite do pliku build.gradle modułu:

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'
}

Krok 2: Uruchom wnioskowanie za pomocą interfejsu API

// Initialization
BertQuestionAnswererOptions options =
    BertQuestionAnswererOptions.builder()
        .setBaseOptions(BaseOptions.builder().setNumThreads(4).build())
        .build();
BertQuestionAnswerer answerer =
    BertQuestionAnswerer.createFromFileAndOptions(
        androidContext, modelFile, options);

// Run inference
List<QaAnswer> answers = answerer.answer(contextOfTheQuestion, questionToAsk);

Więcej szczegółów znajdziesz w kodzie źródłowym .

Uruchom wnioskowanie w Swift

Krok 1: Zaimportuj CocoaPods

Dodaj pod TensorFlowLiteTaskText w Podfile

target 'MySwiftAppWithTaskAPI' do
  use_frameworks!
  pod 'TensorFlowLiteTaskText', '~> 0.4.4'
end

Krok 2: Uruchom wnioskowanie za pomocą interfejsu API

// Initialization
let mobileBertAnswerer = TFLBertQuestionAnswerer.questionAnswerer(
      modelPath: mobileBertModelPath)

// Run inference
let answers = mobileBertAnswerer.answer(
      context: context, question: question)

Więcej szczegółów znajdziesz w kodzie źródłowym .

Uruchom wnioskowanie w C++

// Initialization
BertQuestionAnswererOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<BertQuestionAnswerer> answerer = BertQuestionAnswerer::CreateFromOptions(options).value();

// Run inference with your inputs, `context_of_question` and `question_to_ask`.
std::vector<QaAnswer> positive_results = answerer->Answer(context_of_question, question_to_ask);

Więcej szczegółów znajdziesz w kodzie źródłowym .

Uruchom wnioskowanie w Pythonie

Krok 1: Zainstaluj pakiet pip

pip install tflite-support

Krok 2: Korzystanie z modelu

# Imports
from tflite_support.task import text

# Initialization
answerer = text.BertQuestionAnswerer.create_from_file(model_path)

# Run inference
bert_qa_result = answerer.answer(context, question)

Zobacz kod źródłowy , aby uzyskać więcej opcji konfiguracji BertQuestionAnswerer .

Przykładowe wyniki

Oto przykład wyników odpowiedzi modelu ALBERT .

Kontekst: „Las deszczowy Amazonii, alternatywnie, Dżungla Amazońska, znana również w języku angielskim jako Amazonia, to wilgotny, szerokolistny tropikalny las deszczowy w biomie Amazonii, który pokrywa większość dorzecza Amazonki w Ameryce Południowej. Dorzecze to obejmuje 7 000 000 km2 (2 700 000 mil kwadratowych ), z czego 5 500 000 km2 (2 100 000 mil kwadratowych) zajmują lasy deszczowe. Region ten obejmuje terytorium należące do dziewięciu narodów.

Pytanie: „Gdzie jest las deszczowy Amazonii?”

Odpowiedzi:

answer[0]:  'South America.'
logit: 1.84847, start_index: 39, end_index: 40
answer[1]:  'most of the Amazon basin of South America.'
logit: 1.2921, start_index: 34, end_index: 40
answer[2]:  'the Amazon basin of South America.'
logit: -0.0959535, start_index: 36, end_index: 40
answer[3]:  'the Amazon biome that covers most of the Amazon basin of South America.'
logit: -0.498558, start_index: 28, end_index: 40
answer[4]:  'Amazon basin of South America.'
logit: -0.774266, start_index: 37, end_index: 40

Wypróbuj proste narzędzie demonstracyjne CLI dla BertQuestionAnswerer z własnym modelem i danymi testowymi.

Wymagania dotyczące kompatybilności modelu

Interfejs API BertQuestionAnswerer oczekuje modelu TFLite z obowiązkowymi metadanymi modelu TFLite .

Metadane powinny spełniać następujące wymagania:

• input_process_units dla tokenizera Wordpiece/Zdanie

• 3 tensory wejściowe o nazwach „ids”, „mask” i „segment_ids” dla wyjścia tokenizera

• 2 tensory wyjściowe o nazwach „end_logits” i „start_logits”, aby wskazać względną pozycję odpowiedzi w kontekście