A API NLClassifier
da Biblioteca de Tarefas classifica o texto de entrada em diferentes categorias e é uma API versátil e configurável que pode lidar com a maioria dos modelos de classificação de texto.
Principais recursos da API NLClassifier
Recebe uma única string como entrada, executa a classificação com a string e as saídas
Tokenização Regex opcional disponível para texto de entrada.
Configurável para adaptar diferentes modelos de classificação.
Modelos NLClassifier compatíveis
Os modelos a seguir são compatíveis com a API NLClassifier
.
O modelo de classificação de sentimento de resenha de filme .
Modelos com especificação
average_word_vec
criados pelo TensorFlow Lite Model Maker para classificação de texto .Modelos personalizados que atendem aos requisitos de compatibilidade do modelo .
Executar inferência em Java
Consulte o aplicativo de referência Text Classification para obter um exemplo de como usar o NLClassifier
em um aplicativo Android.
Etapa 1: importar a dependência do Gradle e outras configurações
Copie o arquivo de modelo .tflite
para o diretório assets do módulo Android onde o modelo será executado. Especifique que o arquivo não deve ser compactado e adicione a biblioteca do TensorFlow Lite ao arquivo build.gradle
do módulo:
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:0.4.4'
// Import the GPU delegate plugin Library for GPU inference
implementation 'org.tensorflow:tensorflow-lite-gpu-delegate-plugin:0.4.4'
}
Etapa 2: execute a inferência usando a API
// 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);
Consulte o código-fonte para obter mais opções para configurar o NLClassifier
.
Executar inferência no Swift
Etapa 1: importar CocoaPods
Adicionar o pod TensorFlowLiteTaskText no Podfile
target 'MySwiftAppWithTaskAPI' do
use_frameworks!
pod 'TensorFlowLiteTaskText', '~> 0.4.4'
end
Etapa 2: execute a inferência usando a API
// 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)
Consulte o código-fonte para obter mais detalhes.
Executar inferência em C++
// 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);
Consulte o código-fonte para obter mais detalhes.
Executar inferência em Python
Etapa 1: Instale o pacote pip
pip install tflite-support
Etapa 2: usando o modelo
# Imports
from tflite_support.task import text
# Initialization
classifier = text.NLClassifier.create_from_file(model_path)
# Run inference
text_classification_result = classifier.classify(text)
Consulte o código-fonte para obter mais opções para configurar o NLClassifier
.
Resultados de exemplo
Aqui está um exemplo dos resultados de classificação do modelo de revisão de filme .
Entrada: "Que desperdício do meu tempo."
Resultado:
category[0]: 'Negative' : '0.81313'
category[1]: 'Positive' : '0.18687'
Experimente a ferramenta de demonstração CLI simples para NLClassifier com seu próprio modelo e dados de teste.
Requisitos de compatibilidade do modelo
Dependendo do caso de uso, a API NLClassifier
pode carregar um modelo TFLite com ou sem metadados de modelo TFLite . Veja exemplos de criação de metadados para classificadores de linguagem natural usando a API TensorFlow Lite Metadata Writer .
Os modelos compatíveis devem atender aos seguintes requisitos:
Tensor de entrada: (kTfLiteString/kTfLiteInt32)
- A entrada do modelo deve ser uma string de entrada bruta do tensor kTfLiteString ou um tensor kTfLiteInt32 para índices tokenizados regex da string de entrada bruta.
- Se o tipo de entrada for kTfLiteString, nenhum Metadado será necessário para o modelo.
- Se o tipo de entrada for kTfLiteInt32, um
RegexTokenizer
precisa ser configurado no Metadata do tensor de entrada.
Tensor de pontuação de saída: (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)
Tensor de saída obrigatório para a pontuação de cada categoria classificada.
Se o tipo for um dos tipos Int, dequantize-o para dobrar/flutuar para as plataformas correspondentes
Pode ter um arquivo associado opcional nos Metadados correspondentes do tensor de saída para rótulos de categoria, o arquivo deve ser um arquivo de texto simples com um rótulo por linha e o número de rótulos deve corresponder ao número de categorias conforme as saídas do modelo. Veja o arquivo de etiqueta de exemplo .
Tensor de rótulo de saída: (kTfLiteString/kTfLiteInt32)
O tensor de saída opcional para o rótulo de cada categoria deve ter o mesmo comprimento que o tensor de pontuação de saída. Se esse tensor não estiver presente, a API usa índices de pontuação como nomes de classe.
Será ignorado se o arquivo de rótulo associado estiver presente nos metadados do tensor de pontuação de saída.