Trang này được dịch bởi Cloud Translation API.
Switch to English

Phân loại văn bản với TensorFlow Hub: Đánh giá phim

Xem trên Chạy trong Google Colab Xem trên GitHub Tải xuống sổ tay Xem các mẫu TF Hub

Sổ tay này phân loại các bài đánh giá phim là tích cực hay tiêu cực bằng cách sử dụng nội dung của bài đánh giá. Đây là một ví dụ về phân loại nhị phân — hoặc hai lớp —, một dạng vấn đề học máy quan trọng và có thể áp dụng rộng rãi.

Hướng dẫn trình bày ứng dụng cơ bản của việc học chuyển giao với TensorFlow Hub và Keras.

Chúng tôi sẽ sử dụng tập dữ liệu IMDB chứa nội dung của 50.000 bài đánh giá phim từ Cơ sở dữ liệu phim trên Internet . Chúng được chia thành 25.000 đánh giá để đào tạo và 25.000 đánh giá để kiểm tra. Các tập huấn luyện và kiểm tra được cân bằng , có nghĩa là chúng chứa một số lượng đánh giá tích cực và tiêu cực bằng nhau.

Máy tính xách tay này sử dụng tf.keras , một API cấp cao để xây dựng và đào tạo các mô hình trong TensorFlow và tensorflow_hub , một thư viện để tải các mô hình được đào tạo từ TFHub trong một dòng mã. Để có hướng dẫn phân loại văn bản nâng cao hơn bằng cách sử dụng tf.keras , hãy xem Hướng dẫn Phân loại Văn bản MLCC .

pip install -q tfds-nightly
pip install -q tensorflow-hub
import numpy as np

import tensorflow as tf
import tensorflow_hub as hub
import tensorflow_datasets as tfds

print("Version: ", tf.__version__)
print("Eager mode: ", tf.executing_eagerly())
print("Hub version: ", hub.__version__)
print("GPU is", "available" if tf.config.experimental.list_physical_devices("GPU") else "NOT AVAILABLE")
Version:  2.3.1
Eager mode:  True
Hub version:  0.9.0
GPU is available

Tải xuống tập dữ liệu IMDB

Tập dữ liệu IMDB có sẵn trên các đánh giá imdb hoặc trên tập dữ liệu TensorFlow . Đoạn mã sau tải tập dữ liệu IMDB xuống máy của bạn (hoặc thời gian chạy colab):

# Split the training set into 60% and 40%, so we'll end up with 15,000 examples
# for training, 10,000 examples for validation and 25,000 examples for testing.
train_data, validation_data, test_data = tfds.load(
    split=('train[:60%]', 'train[60%:]', 'test'),
Downloading and preparing dataset imdb_reviews/plain_text/1.0.0 (download: 80.23 MiB, generated: Unknown size, total: 80.23 MiB) to /home/kbuilder/tensorflow_datasets/imdb_reviews/plain_text/1.0.0...
Shuffling and writing examples to /home/kbuilder/tensorflow_datasets/imdb_reviews/plain_text/1.0.0.incompleteFJBRR0/imdb_reviews-train.tfrecord
Shuffling and writing examples to /home/kbuilder/tensorflow_datasets/imdb_reviews/plain_text/1.0.0.incompleteFJBRR0/imdb_reviews-test.tfrecord
Shuffling and writing examples to /home/kbuilder/tensorflow_datasets/imdb_reviews/plain_text/1.0.0.incompleteFJBRR0/imdb_reviews-unsupervised.tfrecord

Warning:absl:Dataset is using deprecated text encoder API which will be removed soon. Please use the plain_text version of the dataset and migrate to `tensorflow_text`.

Dataset imdb_reviews downloaded and prepared to /home/kbuilder/tensorflow_datasets/imdb_reviews/plain_text/1.0.0. Subsequent calls will reuse this data.

Khám phá dữ liệu

Hãy dành một chút thời gian để hiểu định dạng của dữ liệu. Mỗi ví dụ là một câu đại diện cho bài đánh giá phim và một nhãn tương ứng. Câu không được xử lý trước theo bất kỳ cách nào. Nhãn là một giá trị nguyên của 0 hoặc 1, trong đó 0 là đánh giá tiêu cực và 1 là đánh giá tích cực.

Hãy in 10 ví dụ đầu tiên.

train_examples_batch, train_labels_batch = next(iter(train_data.batch(10)))
<tf.Tensor: shape=(10,), dtype=string, numpy=
array([b"This was an absolutely terrible movie. Don't be lured in by Christopher Walken or Michael Ironside. Both are great actors, but this must simply be their worst role in history. Even their great acting could not redeem this movie's ridiculous storyline. This movie is an early nineties US propaganda piece. The most pathetic scenes were those when the Columbian rebels were making their cases for revolutions. Maria Conchita Alonso appeared phony, and her pseudo-love affair with Walken was nothing but a pathetic emotional plug in a movie that was devoid of any real meaning. I am disappointed that there are movies like this, ruining actor's like Christopher Walken's good name. I could barely sit through it.",
       b'I have been known to fall asleep during films, but this is usually due to a combination of things including, really tired, being warm and comfortable on the sette and having just eaten a lot. However on this occasion I fell asleep because the film was rubbish. The plot development was constant. Constantly slow and boring. Things seemed to happen, but with no explanation of what was causing them or why. I admit, I may have missed part of the film, but i watched the majority of it and everything just seemed to happen of its own accord without any real concern for anything else. I cant recommend this film at all.',
       b'Mann photographs the Alberta Rocky Mountains in a superb fashion, and Jimmy Stewart and Walter Brennan give enjoyable performances as they always seem to do. <br /><br />But come on Hollywood - a Mountie telling the people of Dawson City, Yukon to elect themselves a marshal (yes a marshal!) and to enforce the law themselves, then gunfighters battling it out on the streets for control of the town? <br /><br />Nothing even remotely resembling that happened on the Canadian side of the border during the Klondike gold rush. Mr. Mann and company appear to have mistaken Dawson City for Deadwood, the Canadian North for the American Wild West.<br /><br />Canadian viewers be prepared for a Reefer Madness type of enjoyable howl with this ludicrous plot, or, to shake your head in disgust.',
       b'This is the kind of film for a snowy Sunday afternoon when the rest of the world can go ahead with its own business as you descend into a big arm-chair and mellow for a couple of hours. Wonderful performances from Cher and Nicolas Cage (as always) gently row the plot along. There are no rapids to cross, no dangerous waters, just a warm and witty paddle through New York life at its best. A family film in every sense and one that deserves the praise it received.',
       b'As others have mentioned, all the women that go nude in this film are mostly absolutely gorgeous. The plot very ably shows the hypocrisy of the female libido. When men are around they want to be pursued, but when no "men" are around, they become the pursuers of a 14 year old boy. And the boy becomes a man really fast (we should all be so lucky at this age!). He then gets up the courage to pursue his true love.',
       b"This is a film which should be seen by anybody interested in, effected by, or suffering from an eating disorder. It is an amazingly accurate and sensitive portrayal of bulimia in a teenage girl, its causes and its symptoms. The girl is played by one of the most brilliant young actresses working in cinema today, Alison Lohman, who was later so spectacular in 'Where the Truth Lies'. I would recommend that this film be shown in all schools, as you will never see a better on this subject. Alison Lohman is absolutely outstanding, and one marvels at her ability to convey the anguish of a girl suffering from this compulsive disorder. If barometers tell us the air pressure, Alison Lohman tells us the emotional pressure with the same degree of accuracy. Her emotional range is so precise, each scene could be measured microscopically for its gradations of trauma, on a scale of rising hysteria and desperation which reaches unbearable intensity. Mare Winningham is the perfect choice to play her mother, and does so with immense sympathy and a range of emotions just as finely tuned as Lohman's. Together, they make a pair of sensitive emotional oscillators vibrating in resonance with one another. This film is really an astonishing achievement, and director Katt Shea should be proud of it. The only reason for not seeing it is if you are not interested in people. But even if you like nature films best, this is after all animal behaviour at the sharp edge. Bulimia is an extreme version of how a tormented soul can destroy her own body in a frenzy of despair. And if we don't sympathise with people suffering from the depths of despair, then we are dead inside.",
       b'Okay, you have:<br /><br />Penelope Keith as Miss Herringbone-Tweed, B.B.E. (Backbone of England.) She\'s killed off in the first scene - that\'s right, folks; this show has no backbone!<br /><br />Peter O\'Toole as Ol\' Colonel Cricket from The First War and now the emblazered Lord of the Manor.<br /><br />Joanna Lumley as the ensweatered Lady of the Manor, 20 years younger than the colonel and 20 years past her own prime but still glamourous (Brit spelling, not mine) enough to have a toy-boy on the side. It\'s alright, they have Col. Cricket\'s full knowledge and consent (they guy even comes \'round for Christmas!) Still, she\'s considerate of the colonel enough to have said toy-boy her own age (what a gal!)<br /><br />David McCallum as said toy-boy, equally as pointlessly glamourous as his squeeze. Pilcher couldn\'t come up with any cover for him within the story, so she gave him a hush-hush job at the Circus.<br /><br />and finally:<br /><br />Susan Hampshire as Miss Polonia Teacups, Venerable Headmistress of the Venerable Girls\' Boarding-School, serving tea in her office with a dash of deep, poignant advice for life in the outside world just before graduation. Her best bit of advice: "I\'ve only been to Nancherrow (the local Stately Home of England) once. I thought it was very beautiful but, somehow, not part of the real world." Well, we can\'t say they didn\'t warn us.<br /><br />Ah, Susan - time was, your character would have been running the whole show. They don\'t write \'em like that any more. Our loss, not yours.<br /><br />So - with a cast and setting like this, you have the re-makings of "Brideshead Revisited," right?<br /><br />Wrong! They took these 1-dimensional supporting roles because they paid so well. After all, acting is one of the oldest temp-jobs there is (YOU name another!)<br /><br />First warning sign: lots and lots of backlighting. They get around it by shooting outdoors - "hey, it\'s just the sunlight!"<br /><br />Second warning sign: Leading Lady cries a lot. When not crying, her eyes are moist. That\'s the law of romance novels: Leading Lady is "dewy-eyed."<br /><br />Henceforth, Leading Lady shall be known as L.L.<br /><br />Third warning sign: L.L. actually has stars in her eyes when she\'s in love. Still, I\'ll give Emily Mortimer an award just for having to act with that spotlight in her eyes (I wonder . did they use contacts?)<br /><br />And lastly, fourth warning sign: no on-screen female character is "Mrs." She\'s either "Miss" or "Lady."<br /><br />When all was said and done, I still couldn\'t tell you who was pursuing whom and why. I couldn\'t even tell you what was said and done.<br /><br />To sum up: they all live through World War II without anything happening to them at all.<br /><br />OK, at the end, L.L. finds she\'s lost her parents to the Japanese prison camps and baby sis comes home catatonic. Meanwhile (there\'s always a "meanwhile,") some young guy L.L. had a crush on (when, I don\'t know) comes home from some wartime tough spot and is found living on the street by Lady of the Manor (must be some street if SHE\'s going to find him there.) Both war casualties are whisked away to recover at Nancherrow (SOMEBODY has to be "whisked away" SOMEWHERE in these romance stories!)<br /><br />Great drama.',
       b'The film is based on a genuine 1950s novel.<br /><br />Journalist Colin McInnes wrote a set of three "London novels": "Absolute Beginners", "City of Spades" and "Mr Love and Justice". I have read all three. The first two are excellent. The last, perhaps an experiment that did not come off. But McInnes\'s work is highly acclaimed; and rightly so. This musical is the novelist\'s ultimate nightmare - to see the fruits of one\'s mind being turned into a glitzy, badly-acted, soporific one-dimensional apology of a film that says it captures the spirit of 1950s London, and does nothing of the sort.<br /><br />Thank goodness Colin McInnes wasn\'t alive to witness it.',
       b'I really love the sexy action and sci-fi films of the sixties and its because of the actress\'s that appeared in them. They found the sexiest women to be in these films and it didn\'t matter if they could act (Remember "Candy"?). The reason I was disappointed by this film was because it wasn\'t nostalgic enough. The story here has a European sci-fi film called "Dragonfly" being made and the director is fired. So the producers decide to let a young aspiring filmmaker (Jeremy Davies) to complete the picture. They\'re is one real beautiful woman in the film who plays Dragonfly but she\'s barely in it. Film is written and directed by Roman Coppola who uses some of his fathers exploits from his early days and puts it into the script. I wish the film could have been an homage to those early films. They could have lots of cameos by actors who appeared in them. There is one actor in this film who was popular from the sixties and its John Phillip Law (Barbarella). Gerard Depardieu, Giancarlo Giannini and Dean Stockwell appear as well. I guess I\'m going to have to continue waiting for a director to make a good homage to the films of the sixties. If any are reading this, "Make it as sexy as you can"! I\'ll be waiting!',
       b'Sure, this one isn\'t really a blockbuster, nor does it target such a position. "Dieter" is the first name of a quite popular German musician, who is either loved or hated for his kind of acting and thats exactly what this movie is about. It is based on the autobiography "Dieter Bohlen" wrote a few years ago but isn\'t meant to be accurate on that. The movie is filled with some sexual offensive content (at least for American standard) which is either amusing (not for the other "actors" of course) or dumb - it depends on your individual kind of humor or on you being a "Bohlen"-Fan or not. Technically speaking there isn\'t much to criticize. Speaking of me I find this movie to be an OK-movie.'],

Hãy cũng in 10 nhãn đầu tiên.

<tf.Tensor: shape=(10,), dtype=int64, numpy=array([0, 0, 0, 1, 1, 1, 0, 0, 0, 0])>

Xây dựng mô hình

Mạng nơ-ron được tạo bằng cách xếp chồng các lớp — điều này đòi hỏi ba quyết định kiến ​​trúc chính:

  • Cách thể hiện văn bản?
  • Có bao nhiêu lớp để sử dụng trong mô hình?
  • Có bao nhiêu đơn vị ẩn để sử dụng cho mỗi lớp?

Trong ví dụ này, dữ liệu đầu vào bao gồm các câu. Các nhãn để dự đoán là 0 hoặc 1.

Một cách để biểu diễn văn bản là chuyển đổi các câu thành các vectơ nhúng. Chúng ta có thể sử dụng tính năng nhúng văn bản được đào tạo trước làm lớp đầu tiên, lớp này sẽ có ba ưu điểm:

  • chúng ta không phải lo lắng về việc xử lý trước văn bản,
  • chúng ta có thể hưởng lợi từ việc học chuyển tiếp,
  • nhúng có kích thước cố định, vì vậy quá trình xử lý đơn giản hơn.

Đối với ví dụ này, chúng tôi sẽ sử dụng mô hình nhúng văn bản được đào tạo trước từ TensorFlow Hub có tên google / nnlm-en-dim50 / 2 .

Có nhiều cách nhúng văn bản được đào tạo trước khác từ TFHub có thể được sử dụng trong hướng dẫn này:

  • google / nnlm-en-dim128 / 2 - được đào tạo với cùng một kiến ​​trúc NNLM trên cùng một dữ liệu như google / nnlm-en-dim50 / 2 , nhưng với kích thước nhúng lớn hơn. Việc nhúng kích thước lớn hơn có thể cải thiện nhiệm vụ của bạn nhưng có thể mất nhiều thời gian hơn để đào tạo mô hình của bạn.
  • google / nnlm-en-dim128-with-normalization / 2 - giống như google / nnlm-en-dim128 / 2 , nhưng có thêm chuẩn hóa văn bản, chẳng hạn như loại bỏ dấu chấm câu. Điều này có thể hữu ích nếu văn bản trong tác vụ của bạn chứa các ký tự hoặc dấu câu bổ sung.
  • google / Universal-question-encoder / 4 - một mô hình lớn hơn nhiều mang lại 512 chiều nhúng được đào tạo với bộ mã hóa mạng trung bình sâu (DAN).

Và nhiều thứ khác nữa! Tìm thêm các mô hình nhúng văn bản trên TFHub.

Trước tiên, hãy tạo một lớp Keras sử dụng mô hình TensorFlow Hub để nhúng các câu và thử nó trên một vài ví dụ đầu vào. Lưu ý rằng bất kể độ dài của văn bản đầu vào, hình dạng đầu ra của các nhúng là: (num_examples, embedding_dimension) .

embedding = ""
hub_layer = hub.KerasLayer(embedding, input_shape=[], 
                           dtype=tf.string, trainable=True)
<tf.Tensor: shape=(3, 50), dtype=float32, numpy=
array([[ 0.5423195 , -0.0119017 ,  0.06337538,  0.06862972, -0.16776837,
        -0.10581174,  0.16865303, -0.04998824, -0.31148055,  0.07910346,
         0.15442263,  0.01488662,  0.03930153,  0.19772711, -0.12215476,
        -0.04120981, -0.2704109 , -0.21922152,  0.26517662, -0.80739075,
         0.25833532, -0.3100421 ,  0.28683215,  0.1943387 , -0.29036492,
         0.03862849, -0.7844411 , -0.0479324 ,  0.4110299 , -0.36388892,
        -0.58034706,  0.30269456,  0.3630897 , -0.15227164, -0.44391504,
         0.19462997,  0.19528408,  0.05666234,  0.2890704 , -0.28468323,
        -0.00531206,  0.0571938 , -0.3201318 , -0.04418665, -0.08550783,
        -0.55847436, -0.23336391, -0.20782952, -0.03543064, -0.17533456],
       [ 0.56338924, -0.12339553, -0.10862679,  0.7753425 , -0.07667089,
        -0.15752277,  0.01872335, -0.08169781, -0.3521876 ,  0.4637341 ,
        -0.08492756,  0.07166859, -0.00670817,  0.12686075, -0.19326553,
        -0.52626437, -0.3295823 ,  0.14394785,  0.09043556, -0.5417555 ,
         0.02468163, -0.15456742,  0.68333143,  0.09068331, -0.45327246,
         0.23180096, -0.8615696 ,  0.34480393,  0.12838456, -0.58759046,
        -0.4071231 ,  0.23061076,  0.48426893, -0.27128142, -0.5380916 ,
         0.47016326,  0.22572741, -0.00830663,  0.2846242 , -0.304985  ,
         0.04400365,  0.25025874,  0.14867121,  0.40717036, -0.15422426,
        -0.06878027, -0.40825695, -0.3149215 ,  0.09283665, -0.20183425],
       [ 0.7456154 ,  0.21256861,  0.14400336,  0.5233862 ,  0.11032254,
         0.00902788, -0.3667802 , -0.08938274, -0.24165542,  0.33384594,
        -0.11194605, -0.01460047, -0.0071645 ,  0.19562712,  0.00685216,
        -0.24886718, -0.42796347,  0.18620004, -0.05241098, -0.66462487,
         0.13449019, -0.22205497,  0.08633006,  0.43685386,  0.2972681 ,
         0.36140734, -0.7196889 ,  0.05291241, -0.14316116, -0.1573394 ,
        -0.15056328, -0.05988009, -0.08178931, -0.15569411, -0.09303783,
        -0.18971172,  0.07620788, -0.02541647, -0.27134508, -0.3392682 ,
        -0.10296468, -0.27275252, -0.34078008,  0.20083304, -0.26644835,
         0.00655449, -0.05141488, -0.04261917, -0.45413622,  0.20023568]],

Bây giờ hãy xây dựng mô hình đầy đủ:

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(16, activation='relu'))

Model: "sequential"
Layer (type)                 Output Shape              Param #   
keras_layer (KerasLayer)     (None, 50)                48190600  
dense (Dense)                (None, 16)                816       
dense_1 (Dense)              (None, 1)                 17        
Total params: 48,191,433
Trainable params: 48,191,433
Non-trainable params: 0

Các lớp được xếp chồng lên nhau tuần tự để xây dựng bộ phân loại:

  1. Lớp đầu tiên là lớp TensorFlow Hub. Lớp này sử dụng Mô hình đã lưu được đào tạo trước để ánh xạ một câu vào vectơ nhúng của nó. Mô hình nhúng văn bản được đào tạo trước mà chúng tôi đang sử dụng ( google / nnlm-en-dim50 / 2 ) chia câu thành các mã thông báo, nhúng từng mã thông báo và sau đó kết hợp nhúng. Các thứ nguyên kết quả là: (num_examples, embedding_dimension) . Đối với mô hình NNLM này, thứ nguyên embedding_dimension là 50.
  2. Vectơ đầu ra có độ dài cố định này được chuyển qua một lớp được kết nối đầy đủ ( Dense ) với 16 đơn vị ẩn.
  3. Lớp cuối cùng được kết nối dày đặc với một nút đầu ra duy nhất.

Hãy biên dịch mô hình.

Chức năng mất mát và trình tối ưu hóa

Một mô hình cần một hàm mất mát và một bộ tối ưu hóa để đào tạo. Vì đây là vấn đề phân loại nhị phân và mô hình xuất ra logits (một lớp đơn vị có kích hoạt tuyến tính), chúng tôi sẽ sử dụng hàm mất binary_crossentropy .

Đây không phải là lựa chọn duy nhất cho một hàm mất mát, ví dụ: bạn có thể chọn mean_squared_error . Nhưng, nói chung, binary_crossentropy tốt hơn để xử lý các xác suất — nó đo lường "khoảng cách" giữa các phân phối xác suất, hoặc trong trường hợp của chúng tôi, giữa phân phối cơ bản-sự thật và các dự đoán.

Sau đó, khi chúng ta khám phá các bài toán hồi quy (giả sử để dự đoán giá của một ngôi nhà), chúng ta sẽ thấy cách sử dụng một hàm tổn thất khác được gọi là sai số trung bình bình phương.

Bây giờ, hãy cấu hình mô hình để sử dụng trình tối ưu hóa và hàm mất mát:


Đào tạo mô hình

Đào tạo mô hình cho 10 kỷ nguyên trong các lô nhỏ gồm 512 mẫu. Đây là 10 lần lặp lại trên tất cả các mẫu trong x_trainy_train . Trong khi đào tạo, hãy theo dõi sự mất mát và độ chính xác của mô hình trên 10.000 mẫu từ bộ xác nhận:

history =,
Epoch 1/10
30/30 [==============================] - 2s 62ms/step - loss: 0.6472 - accuracy: 0.5243 - val_loss: 0.6009 - val_accuracy: 0.5648
Epoch 2/10
30/30 [==============================] - 2s 57ms/step - loss: 0.5273 - accuracy: 0.6967 - val_loss: 0.4852 - val_accuracy: 0.7443
Epoch 3/10
30/30 [==============================] - 2s 56ms/step - loss: 0.3982 - accuracy: 0.8257 - val_loss: 0.3996 - val_accuracy: 0.8206
Epoch 4/10
30/30 [==============================] - 2s 57ms/step - loss: 0.2974 - accuracy: 0.8858 - val_loss: 0.3492 - val_accuracy: 0.8519
Epoch 5/10
30/30 [==============================] - 2s 56ms/step - loss: 0.2211 - accuracy: 0.9223 - val_loss: 0.3282 - val_accuracy: 0.8642
Epoch 6/10
30/30 [==============================] - 2s 56ms/step - loss: 0.1669 - accuracy: 0.9462 - val_loss: 0.3171 - val_accuracy: 0.8686
Epoch 7/10
30/30 [==============================] - 2s 56ms/step - loss: 0.1229 - accuracy: 0.9629 - val_loss: 0.3089 - val_accuracy: 0.8702
Epoch 8/10
30/30 [==============================] - 2s 56ms/step - loss: 0.0898 - accuracy: 0.9768 - val_loss: 0.3140 - val_accuracy: 0.8710
Epoch 9/10
30/30 [==============================] - 2s 55ms/step - loss: 0.0661 - accuracy: 0.9863 - val_loss: 0.3224 - val_accuracy: 0.8678
Epoch 10/10
30/30 [==============================] - 2s 56ms/step - loss: 0.0483 - accuracy: 0.9914 - val_loss: 0.3337 - val_accuracy: 0.8684

Đánh giá mô hình

Và hãy xem mô hình hoạt động như thế nào. Hai giá trị sẽ được trả về. Mất mát (một con số đại diện cho lỗi của chúng tôi, giá trị càng thấp càng tốt) và độ chính xác.

results = model.evaluate(test_data.batch(512), verbose=2)

for name, value in zip(model.metrics_names, results):
  print("%s: %.3f" % (name, value))
49/49 - 1s - loss: 0.3552 - accuracy: 0.8548
loss: 0.355
accuracy: 0.855

Cách tiếp cận khá ngây thơ này đạt độ chính xác khoảng 87%. Với các cách tiếp cận nâng cao hơn, mô hình sẽ tiến gần hơn đến 95%.

đọc thêm

# MIT License
# Copyright (c) 2017 François Chollet
# Permission is hereby granted, free of charge, to any person obtaining a
# copy of this software and associated documentation files (the "Software"),
# to deal in the Software without restriction, including without limitation
# the rights to use, copy, modify, merge, publish, distribute, sublicense,
# and/or sell copies of the Software, and to permit persons to whom the
# Software is furnished to do so, subject to the following conditions:
# The above copyright notice and this permission notice shall be included in
# all copies or substantial portions of the Software.