Google I/O est terminé ! Suivez les sessions TensorFlow Afficher les sessions

Intégrer le répondeur aux questions BERT

L'API de la bibliothèque de tâches BertQuestionAnswerer charge un modèle Bert et répond aux questions en fonction du contenu d'un passage donné. Pour plus d'informations, consultez la documentation du modèle Question-Réponse ici .

Principales fonctionnalités de l'API BertQuestionAnswerer

  • Prend deux entrées de texte comme question et contexte et génère une liste de réponses possibles.

  • Effectue des tokenisations Wordpiece ou Sentencepiece hors graphique sur le texte d'entrée.

Modèles BertQuestionAnswerer pris en charge

Les modèles suivants sont compatibles avec l'API BertNLClassifier .

Exécuter l'inférence en Java

Étape 1 : Importer la dépendance Gradle et d'autres paramètres

Copiez le fichier de modèle .tflite dans le répertoire assets du module Android où le modèle sera exécuté. Spécifiez que le fichier ne doit pas être compressé et ajoutez la bibliothèque TensorFlow Lite au fichier build.gradle du module :

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'
}

Étape 2 : Exécuter l'inférence à l'aide de l'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);

Voir le code source pour plus de détails.

Exécuter l'inférence dans Swift

Étape 1 : Importer des CocoaPods

Ajouter le pod TensorFlowLiteTaskText dans Podfile

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

Étape 2 : Exécuter l'inférence à l'aide de l'API

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

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

Voir le code source pour plus de détails.

Exécuter l'inférence en C++

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

// Run inference
std::vector<QaAnswer> positive_results = answerer->Answer(context_of_question, question_to_ask);

Voir le code source pour plus de détails.

Exemples de résultats

Voici un exemple des résultats de réponse du modèle ALBERT .

Contexte : "La forêt amazonienne, alternativement, la jungle amazonienne, également connue en anglais sous le nom d'Amazonie, est une forêt tropicale humide à feuilles larges dans le biome amazonien qui couvre la majeure partie du bassin amazonien d'Amérique du Sud. Ce bassin couvre 7 000 000 km2 (2 700 000 milles carrés ), dont 5 500 000 km2 (2 100 000 milles carrés) sont couverts par la forêt tropicale. Cette région comprend un territoire appartenant à neuf nations.

Question : "Où est la forêt amazonienne ?"

Réponses:

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

Essayez l' outil de démonstration CLI simple pour BertQuestionAnswerer avec votre propre modèle et vos données de test.

Exigences de compatibilité des modèles

L'API BertQuestionAnswerer attend un modèle TFLite avec des métadonnées de modèle TFLite obligatoires.

Les métadonnées doivent répondre aux exigences suivantes :

  • input_process_units pour Wordpiece/Sentencepiece Tokenizer

  • 3 tenseurs d'entrée avec les noms "ids", "mask" et "segment_ids" pour la sortie du tokenizer

  • 2 tenseurs de sortie avec les noms "end_logits" et "start_logits" pour indiquer la position relative de la réponse dans le contexte