Integrar classificador de linguagem natural

Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.

A API NLClassifier da Biblioteca de Tarefas classifica o texto de entrada em diferentes categorias e é uma API versátil e configurável que pode lidar com a maioria dos modelos de classificação de texto.

Principais recursos da API NLClassifier

  • Recebe uma única string como entrada, executa a classificação com a string e as saídas pares como resultados de classificação.

  • Tokenização Regex opcional disponível para texto de entrada.

  • Configurável para adaptar diferentes modelos de classificação.

Modelos NLClassifier compatíveis

Os modelos a seguir são compatíveis com a API NLClassifier .

Executar inferência em Java

Consulte o aplicativo de referência Text Classification para obter um exemplo de como usar o NLClassifier em um aplicativo Android.

Etapa 1: importar a dependência do Gradle e outras configurações

Copie o arquivo de modelo .tflite para o diretório assets do módulo Android onde o modelo será executado. Especifique que o arquivo não deve ser compactado e adicione a biblioteca do TensorFlow Lite ao arquivo build.gradle do módulo:

android {
    // Other settings

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

}

dependencies {
    // Other dependencies

    // Import the Task Vision Library dependency (NNAPI is included)
    implementation 'org.tensorflow:tensorflow-lite-task-text:0.3.0'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.3.0'
}

Etapa 2: execute a inferência usando a API

// Initialization, use NLClassifierOptions to configure input and output tensors
NLClassifierOptions options =
    NLClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setInputTensorName(INPUT_TENSOR_NAME)
        .setOutputScoreTensorName(OUTPUT_SCORE_TENSOR_NAME)
        .build();
NLClassifier classifier =
    NLClassifier.createFromFileAndOptions(context, modelFile, options);

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

Consulte o código-fonte para obter mais opções para configurar o NLClassifier .

Executar inferência no Swift

Etapa 1: importar CocoaPods

Adicionar o pod TensorFlowLiteTaskText no Podfile

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

Etapa 2: execute a inferência usando a API

// Initialization
var modelOptions:TFLNLClassifierOptions = TFLNLClassifierOptions()
modelOptions.inputTensorName = inputTensorName
modelOptions.outputScoreTensorName = outputScoreTensorName
let nlClassifier = TFLNLClassifier.nlClassifier(
      modelPath: modelPath,
      options: modelOptions)

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

Consulte o código-fonte para obter mais detalhes.

Executar inferência em C++

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

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

Consulte o código-fonte para obter mais detalhes.

Resultados de exemplo

Aqui está um exemplo dos resultados de classificação do modelo de revisão de filme .

Entrada: "Que desperdício do meu tempo."

Resultado:

category[0]: 'Negative' : '0.81313'
category[1]: 'Positive' : '0.18687'

Experimente a ferramenta de demonstração CLI simples para NLClassifier com seu próprio modelo e dados de teste.

Requisitos de compatibilidade do modelo

Dependendo do caso de uso, a API NLClassifier pode carregar um modelo TFLite com ou sem metadados de modelo TFLite . Veja exemplos de criação de metadados para classificadores de linguagem natural usando a API TensorFlow Lite Metadata Writer .

Os modelos compatíveis devem atender aos seguintes requisitos:

  • Tensor de entrada: (kTfLiteString/kTfLiteInt32)

    • A entrada do modelo deve ser uma string de entrada bruta do tensor kTfLiteString ou um tensor kTfLiteInt32 para índices tokenizados regex da string de entrada bruta.
    • Se o tipo de entrada for kTfLiteString, nenhum Metadado será necessário para o modelo.
    • Se o tipo de entrada for kTfLiteInt32, um RegexTokenizer precisa ser configurado no Metadata do tensor de entrada.
  • Tensor de pontuação de saída: (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)

    • Tensor de saída obrigatório para a pontuação de cada categoria classificada.

    • Se o tipo for um dos tipos Int, dequantize-o para dobrar/flutuar para as plataformas correspondentes

    • Pode ter um arquivo associado opcional nos Metadados correspondentes do tensor de saída para rótulos de categoria, o arquivo deve ser um arquivo de texto simples com um rótulo por linha e o número de rótulos deve corresponder ao número de categorias conforme as saídas do modelo. Veja o arquivo de etiqueta de exemplo .

  • Tensor de rótulo de saída: (kTfLiteString/kTfLiteInt32)

    • O tensor de saída opcional para o rótulo de cada categoria deve ter o mesmo comprimento que o tensor de pontuação de saída. Se esse tensor não estiver presente, a API usa índices de pontuação como nomes de classe.

    • Será ignorado se o arquivo de rótulo associado estiver presente nos metadados do tensor de pontuação de saída.