รวมตัวค้นหาข้อความ

การค้นหาข้อความช่วยให้ค้นหาข้อความที่มีความหมายคล้ายกันในคลังข้อมูล มันทำงานโดยฝังคำค้นหาลงในเวกเตอร์มิติสูงที่แสดงถึงความหมายเชิงความหมายของข้อความค้นหา ตามด้วยการค้นหาความคล้ายคลึงกันในดัชนีที่กำหนดเองที่กำหนดไว้ล่วงหน้าโดยใช้ ScaNN (เพื่อนบ้านที่ใกล้ที่สุดที่ปรับขนาดได้)

ตรงข้ามกับการจัดประเภทข้อความ (เช่น Bert natural language classifier ) การขยายจำนวนรายการที่สามารถจดจำได้ ไม่จำเป็นต้องฝึกซ้ำทั้งโมเดล สามารถเพิ่มรายการใหม่ได้โดยการสร้างดัชนีใหม่ สิ่งนี้ยังช่วยให้สามารถทำงานกับศพที่ใหญ่กว่า (100k+ รายการ) ได้

ใช้ Task Library TextSearcher API เพื่อปรับใช้โปรแกรมค้นหาข้อความที่กำหนดเองในแอพมือถือของคุณ

คุณสมบัติหลักของ TextSearcher API

• รับสตริงเดียวเป็นอินพุต ทำการแยกการฝังและค้นหาเพื่อนบ้านที่ใกล้ที่สุดในดัชนี

• การประมวลผลข้อความป้อนเข้า ซึ่งรวมถึงการ สร้างโทเค็น Wordpiece หรือ Sentencepiece ในกราฟหรือนอกกราฟบนข้อความที่ป้อน

ข้อกำหนดเบื้องต้น

ก่อนใช้ TextSearcher API จะต้องสร้างดัชนีตามคลังข้อความที่กำหนดเองเพื่อค้นหา ซึ่งสามารถทำได้โดยใช้ Model Maker Searcher API โดยทำตามและปรับบทช่วย สอน

สำหรับสิ่งนี้คุณจะต้อง:

• โมเดลตัวฝังข้อความ TFLite เช่น Universal Sentence Encoder ตัวอย่างเช่น,
  • หนึ่ง ที่ได้รับการฝึกฝนใหม่ใน Colab ซึ่งได้รับการปรับให้เหมาะสมสำหรับการอนุมานในอุปกรณ์ ใช้เวลาเพียง 6 มิลลิวินาทีในการค้นหาสตริงข้อความใน Pixel 6
  • quantized ซึ่งมีขนาดเล็กกว่าด้านบน แต่ใช้เวลา 38ms สำหรับการฝังแต่ละครั้ง
• คลังข้อความของคุณ

หลังจากขั้นตอนนี้ คุณควรมีโมเดลตัวค้นหา TFLite แบบสแตนด์อโลน (เช่น mobilenet_v3_searcher.tflite ) ซึ่งเป็นโมเดลตัวฝังข้อความดั้งเดิมที่มีดัชนีแนบอยู่ในข้อมูลเมตาของ โมเดล TFLite

เรียกใช้การอนุมานใน Java

ขั้นตอนที่ 1: นำเข้าการพึ่งพา Gradle และการตั้งค่าอื่นๆ

คัดลอกไฟล์โมเดลผู้ค้นหา .tflite ไปยังไดเร็กทอรีทรัพย์สินของโมดูล Android ที่จะเรียกใช้โมเดล ระบุว่าไม่ควรบีบอัดไฟล์ และเพิ่มไลบรารี TensorFlow Lite ลงในไฟล์ build.gradle ของโมดูล:

android {
    // Other settings

    // Specify tflite index 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-vision:0.4.0'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.0'
}

ขั้นตอนที่ 2: การใช้โมเดล

// Initialization
TextSearcherOptions options =
    TextSearcherOptions.builder()
        .setBaseOptions(BaseOptions.builder().useGpu().build())
        .setSearcherOptions(
            SearcherOptions.builder().setL2Normalize(true).build())
        .build();
TextSearcher textSearcher =
    textSearcher.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<NearestNeighbor> results = textSearcher.search(text);

ดู ซอร์สโค้ดและ javadoc สำหรับตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher

เรียกใช้การอนุมานใน C++

// Initialization
TextSearcherOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
options.mutable_embedding_options()->set_l2_normalize(true);
std::unique_ptr<TextSearcher> text_searcher = TextSearcher::CreateFromOptions(options).value();

// Run inference with your input, `input_text`.
const SearchResult result = text_searcher->Search(input_text).value();

ดู ซอร์สโค้ด สำหรับตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher

เรียกใช้การอนุมานใน Python

ขั้นตอนที่ 1: ติดตั้งแพ็คเกจ TensorFlow Lite Support Pypi

คุณสามารถติดตั้งแพ็คเกจ TensorFlow Lite Support Pypi ได้โดยใช้คำสั่งต่อไปนี้:

pip install tflite-support

ขั้นตอนที่ 2: การใช้โมเดล

from tflite_support.task import text

# Initialization
text_searcher = text.TextSearcher.create_from_file(model_path)

# Run inference
result = text_searcher.search(text)

ดู ซอร์สโค้ด สำหรับตัวเลือกเพิ่มเติมในการกำหนดค่า TextSearcher

ตัวอย่างผลลัพธ์

Results:
 Rank#0:
  metadata: The sun was shining on that day.
  distance: 0.04618
 Rank#1:
  metadata: It was a sunny day.
  distance: 0.10856
 Rank#2:
  metadata: The weather was excellent.
  distance: 0.15223
 Rank#3:
  metadata: The cat is chasing after the mouse.
  distance: 0.34271
 Rank#4:
  metadata: He was very happy with his newly bought car.
  distance: 0.37703

ลองใช้ เครื่องมือสาธิต CLI อย่างง่ายสำหรับ TextSearcher ด้วยแบบจำลองและข้อมูลทดสอบของคุณเอง