자연어 분류자 통합하기

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.

Java에서 추론 실행하기

Android 앱에서 NLClassifier를 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 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'
}

참고: Android Gradle 플러그인 버전 4.1부터는 .tflite가 기본적으로 noCompress 목록에 추가되며 위의 aaptOptions는 더 이상 필요하지 않습니다.

2단계: API를 사용하여 추론 실행하기

// 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);

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', '~> 0.2.0'
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

// 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);

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. TensorFlow Lite Metadata Writer API를 사용하여 자연어 분류기에 대한 메타데이터를 생성하는 예를 참조하세요.

호환되는 모델은 다음 요구 사항을 충족해야 합니다.

  • 입력 텐서: (kTfLiteString/kTfLiteInt32)

    • 모델의 입력은 kTfLiteString 텐서 원시 입력 문자열이거나 원시 입력 문자열의 토큰화된 regex 인덱스의 kTfLiteInt32 텐서여야 합니다.
    • 입력 유형이 kTfLiteString이면 모델에 메타데이터가 필요하지 않습니다.
    • 입력 유형이 kTfLiteInt32이면 입력 텐서의 메타데이터에서 RegexTokenizer를 설정해야 합니다.

  • 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, 이 파일은 한 줄에 레이블이 하나씩 있는 일반 텍스트 파일이어야 하며, 레이블 수는 모델 출력의 범주 수와 일치해야 합니다. 예제 레이블 파일을 참조하세요.

  • 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.