Task Library의 NLClassifier
API는 입력 텍스트를 여러 범주로 분류하는 역할을 하고, 대부분의 텍스트 분류 모델을 처리할 수 있는 활용도 높고 구성 가능한 API입니다.
NLClassifier API의 주요 특징
단일 문자열을 입력으로 받아서 문자열로 분류를 수행하고 분류 결과로 <Label, Score> 쌍을 출력합니다.
입력 텍스트에 Regex Tokenization을 선택적으로 사용할 수 있습니다.
다양한 분류 모델을 적용하도록 구성할 수 있습니다.
지원되는 NLClassifier 모델
다음 모델은 NLClassifier
API와의 호환성이 보장됩니다.
영화 리뷰 감상 분류 모델
텍스트 분류를 위한 TensorFlow Lite Model Maker에서 생성된
average_word_vec
사양이 있는 모델모델 호환성 요구 사항을 충족하는 사용자 정의 모델
Java에서 추론 실행하기
Android 앱에서 NLClassifier
를 사용하는 방법의 예는 텍스트 분류 참조 앱을 참조하세요.
1단계: Gradle 종속성 및 기타 설정 가져오기
.tflite
모델 파일을 모델이 실행될 Android 모듈의 assets 디렉토리에 복사합니다. 파일을 압축하지 않도록 지정하고 TensorFlow Lite 라이브러리를 모듈의 build.gradle
파일에 추가합니다.
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
implementation 'org.tensorflow:tensorflow-lite-task-text:0.1.0'
}
2단계: API를 사용하여 추론 실행하기
// Initialization, use NLClassifierOptions to configure input and output tensors
NLClassifierOptions options = NLClassifierOptions.builder().setInputTensorName(INPUT_TENSOR_NAME).setOutputScoreTensorName(OUTPUT_SCORE_TENSOR_NAME).build();
NLClassifier classifier = NLClassifier.createFromFileAndOptions(context, modelFile, options);
// Run inference
List results = classifier.classify(input);
NLClassifier
구성을 위한 추가 옵션은 소스 코드를 참조하세요.
Swift에서 추론 실행하기
1단계: CocoaPods 가져오기
Podfile에 TensorFlowLiteTaskText 포드를 추가합니다.
target 'MySwiftAppWithTaskAPI' do
use_frameworks!
pod 'TensorFlowLiteTaskText', '~> 0.0.1-nightly'
end
2단계: API를 사용하여 추론 실행하기
// 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)
자세한 내용은 소스 코드를 참조하세요.
C++에서 추론 실행하기
참고: 사전 빌드된 바이너리를 제공하고 소스 코드에서 빌드할 사용자 친화적인 워크플로를 만드는 등 C++ Task Library의 사용 편리성을 개선하기 위해 노력하고 있습니다. C++ API는 변경될 수 있습니다.
// Initialization
std::unique_ptr classifier = NLClassifier::CreateFromFileAndOptions(
model_path,
{
.input_tensor_name=kInputTensorName,
.output_score_tensor_name=kOutputScoreTensorName,
}).value();
// Run inference
std::vector categories = classifier->Classify(kInput);
자세한 내용은 소스 코드를 참조하세요.
예제 결과
다음은 영화 리뷰 모델의 분류 결과를 보여주는 예입니다.
입력: "시간만 낭비했습니다."
출력:
category[0]: 'Negative' : '0.81313'
category[1]: 'Positive' : '0.18687'
자체 모델 및 테스트 데이터로 간단한 NLClassifier용 CLI 데모 도구를 시도해 보세요.
모델 호환성 요구 사항
사용 사례에 따라 NLClassifier
API는 TFLite 모델 메타데이터가 있거나 없는 TFLite 모델을 로드할 수 있습니다.
호환되는 모델은 다음 요구 사항을 충족해야 합니다.
입력 텐서: (kTfLiteString/kTfLiteInt32)
출력 스코어 텐서: (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)
분류된 각 범주의 스코어에 대한 필수 출력 텐서
유형이 Int 유형 중 하나이면 해당 플랫폼에 대해 double/float로 역양자화합니다.
범주 레이블에 대한 출력 텐서의 해당 메타데이터에 선택적 관련 파일이 있을 수 있고, 파일은 한 줄에 레이블이 하나씩 있는 일반 텍스트 파일이어야 하며, 레이블 수는 모델 출력의 범주 수와 일치해야 합니다.
출력 레이블 텐서: (kTfLiteString/kTfLiteInt32)
각 범주의 레이블에 대한 선택적 출력 텐서는 출력 스코어 텐서와 길이가 같아야 합니다. 이 텐서가 없으면 API는 스코어 인덱스를 클래스 이름으로 사용합니다.
연관된 레이블 파일이 출력 스코어 텐서의 메타데이터에 있는 경우 무시됩니다.