รวมระบบตอบคำถามของ BERT

ไลบรารีงาน BertQuestionAnswerer API โหลดโมเดล Bert และตอบคำถามตามเนื้อหาของข้อความที่กำหนด สำหรับข้อมูลเพิ่มเติม โปรดดูเอกสารประกอบสำหรับแบบจำลองคำถาม-คำตอบ ที่นี่

คุณสมบัติหลักของ BertQuestionAnswerer API

• ใช้การป้อนข้อความสองข้อความเป็นคำถามและบริบท แล้วแสดงรายการคำตอบที่เป็นไปได้

• ดำเนินการโทเค็น Wordpiece หรือ Sentencepiece ที่ไม่อยู่ในกราฟบนข้อความที่ป้อน

รองรับ BertQuestionAnswerer รุ่น

รุ่นต่อไปนี้เข้ากันได้กับ BertNLClassifier API

• โมเดลที่สร้างโดย TensorFlow Lite Model Maker สำหรับคำตอบของ BERT

• โมเดล BERT ที่ผ่านการฝึกอบรมบน TensorFlow Hub

• 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
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);

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 mobileBertAnswerer = TFLBertQuestionAnswerer.questionAnswerer(
      modelPath: mobileBertModelPath)

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

ดู ซอร์สโค้ด สำหรับรายละเอียดเพิ่มเติม

เรียกใช้การอนุมานใน 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);

ดู ซอร์สโค้ด สำหรับรายละเอียดเพิ่มเติม

เรียกใช้การอนุมานใน Python

ขั้นตอนที่ 1: ติดตั้งแพ็คเกจ pip

pip install tflite-support

ขั้นตอนที่ 2: การใช้โมเดล

# 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)

ดู ซอร์สโค้ด สำหรับตัวเลือกเพิ่มเติมในการกำหนดค่า BertQuestionAnswerer

ตัวอย่างผลลัพธ์

นี่คือตัวอย่างผลลัพธ์ของ ALBERT model

บริบท: "ป่าฝนอเมซอนหรืออีกทางหนึ่งคือ ป่าอเมซอน หรือที่รู้จักกันในชื่อภาษาอังกฤษว่าอเมซอนเป็นป่าฝนเขตร้อนที่มีใบกว้างชื้นในชีวนิเวศของอเมซอนซึ่งครอบคลุมพื้นที่ส่วนใหญ่ของแอมะซอนในอเมริกาใต้ แอ่งนี้ครอบคลุมพื้นที่ 7,000,000 ตารางกิโลเมตร (2,700,000 ตารางไมล์) ) ซึ่งครอบคลุมพื้นที่ป่าฝน 5,500,000 ตารางกิโลเมตร (2,100,000 ตารางไมล์) ภูมิภาคนี้รวมถึงอาณาเขตที่เป็นของเก้าประเทศ”

คำถาม: ป่าฝนอเมซอนอยู่ที่ไหน

คำตอบ:

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

ลองใช้ เครื่องมือสาธิต CLI อย่างง่ายสำหรับ BertQuestionAnswerer ด้วยแบบจำลองและข้อมูลการทดสอบของคุณเอง

ข้อกำหนดความเข้ากันได้ของรุ่น

BertQuestionAnswerer API คาดหวังโมเดล TFLite ที่มีข้อมูลเมตาของ โมเดล TFLite บังคับ

ข้อมูลเมตาควรเป็นไปตามข้อกำหนดต่อไปนี้:

• input_process_units สำหรับ Wordpiece/Sentencepiece Tokenizer

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

• 2 เทนเซอร์เอาต์พุตที่มีชื่อ "end_logits" และ "start_logits" เพื่อระบุตำแหน่งสัมพัทธ์ของคำตอบในบริบท