Intégrer des chercheurs de texte

La recherche de texte permet de rechercher du texte sémantiquement similaire dans un corpus. Il fonctionne en intégrant la requête de recherche dans un vecteur de grande dimension représentant la signification sémantique de la requête, suivi d'une recherche de similarité dans un index personnalisé prédéfini à l'aide de ScaNN (Scalable Nearest Neighbours).

Contrairement à la classification de texte (par exemple , le classificateur de langage naturel Bert ), l'augmentation du nombre d'éléments pouvant être reconnus ne nécessite pas de réentraîner l'ensemble du modèle. De nouveaux éléments peuvent être ajoutés en reconstruisant simplement l'index. Cela permet également de travailler avec des corpus plus grands (plus de 100 000 éléments).

Utilisez l'API Task Library TextSearcher pour déployer votre chercheur de texte personnalisé dans vos applications mobiles.

Principales fonctionnalités de l'API TextSearcher

• Prend une seule chaîne en entrée, effectue une extraction par intégration et une recherche du voisin le plus proche dans l'index.

• Traitement du texte d'entrée, y compris les tokenisations Wordpiece ou Sentencepiece dans le graphique ou hors graphique sur le texte d'entrée.

Conditions préalables

Avant d'utiliser l'API TextSearcher , un index doit être créé en fonction du corpus de texte personnalisé dans lequel effectuer la recherche. Ceci peut être réalisé à l'aide de l'API Model Maker Searcher en suivant et en adaptant le didacticiel .

Pour cela vous aurez besoin de :

• un modèle d'intégration de texte TFLite, tel que Universal Sentence Encoder. Par exemple,
  • celui recyclé dans ce Colab , qui est optimisé pour l'inférence sur l'appareil. Il ne faut que 6 ms pour interroger une chaîne de texte sur le Pixel 6.
  • celui quantifié , qui est plus petit que celui ci-dessus mais prend 38 ms pour chaque intégration.
• votre corpus de texte.

Après cette étape, vous devriez disposer d'un modèle de recherche TFLite autonome (par exemple mobilenet_v3_searcher.tflite ), qui est le modèle d'intégration de texte original avec l'index attaché dans les métadonnées du modèle TFLite .

Exécuter l'inférence en Java

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

Copiez le fichier de modèle de recherche .tflite dans le répertoire d'actifs 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 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:0.4.4'
    // Import the GPU delegate plugin Library for GPU inference
    implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}

Étape 2 : Utilisation du modèle

// 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);

Voir le code source et javadoc pour plus d'options pour configurer TextSearcher .

Exécuter l'inférence en 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();

Consultez le code source pour plus d'options pour configurer TextSearcher .

Exécuter l'inférence en Python

Étape 1 : Installez le package Pypi de support TensorFlow Lite.

Vous pouvez installer le package Pypi TensorFlow Lite Support à l'aide de la commande suivante :

pip install tflite-support

Étape 2 : Utilisation du modèle

from tflite_support.task import text

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

# Run inference
result = text_searcher.search(text)

Consultez le code source pour plus d'options pour configurer TextSearcher .

Exemples de résultats

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

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