集成自然语言分类器

任务库的 NLClassifier API 将输入文本分类为不同的类别，它是一个用途广泛且可配置的 API，可以处理大多数文本分类模型。

NLClassifier API 的主要功能

  • 将单个字符串作为输入，使用字符串执行分类并输出对作为分类结果的配对。

  • 输入文本可选的正则表达式标记化。

  • 可配置以适应不同的分类模型。

支持的 NLClassifier 模型

以下模型保证与 NLClassifier API 兼容。

在 Java 中运行推理

查看 文本分类参考应用程序 了解如何在 Android 应用程序中使用 NLClassifier 的示例。

步骤 1：导入 Gradle 依赖项和其他设置

将 .tflite 模型文件复制到将运行模型的 Android 模块的 assets 目录。指定该文件不应压缩，并将 TensorFlow Lite 库添加到模块的 build.gradle 文件中

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'
}

步骤 2：使用 API 运行推理

// 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);

查看 源代码 了解有关配置 NLClassifier 的更多选项。

在 Swift 中运行推理

步骤 1：导入 CocoaPods

在 Podfile 中添加 TensorFlowLiteTaskText pod

target 'MySwiftAppWithTaskAPI' do
  use_frameworks!
  pod 'TensorFlowLiteTaskText', '~> 0.4.4'
end

步骤 2：使用 API 运行推理

// 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)

查看 源代码 了解详细信息。

在 C++ 中运行推理

// 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);

查看 源代码 了解详细信息。

在 Python 中运行推理

步骤 1：安装 pip 包

pip install tflite-support

步骤 2：使用模型

# Imports
from tflite_support.task import text

# Initialization
classifier = text.NLClassifier.create_from_file(model_path)

# Run inference
text_classification_result = classifier.classify(text)

查看 源代码 了解有关配置 NLClassifier 的更多选项。

示例结果

以下是如何使用 电影评论模型 进行分类的示例结果。

输入："浪费我的时间。"

输出

category[0]: 'Negative' : '0.81313'
category[1]: 'Positive' : '0.18687'

使用您自己的模型和测试数据试用简单的 NLClassifier 的 CLI 演示工具。

模型兼容性要求

根据用例，NLClassifier API 可以加载带有或不带有 TFLite 模型元数据 的 TFLite 模型。查看使用 TensorFlow Lite 元数据写入器 API 为自然语言分类器创建元数据的示例。

兼容模型应满足以下要求

  • 输入张量：(kTfLiteString/kTfLiteInt32)

    • 模型的输入可以是 kTfLiteString 张量原始输入字符串，也可以是 kTfLiteInt32 张量，用于表示原始输入字符串的正则表达式标记索引。
    • 如果输入类型为 kTfLiteString，则模型不需要任何 元数据。
    • 如果输入类型为 kTfLiteInt32，则需要在输入张量的 元数据 中设置一个 RegexTokenizer。

  • 输出分数张量： (kTfLiteUInt8/kTfLiteInt8/kTfLiteInt16/kTfLiteFloat32/kTfLiteFloat64)

    • 每个分类类别分数的强制输出张量。

    • 如果类型是 Int 类型之一，则将其反量化为双精度/浮点数，以对应于相应的平台。

    • 可以在输出张量的相应 元数据 中包含一个可选的关联文件，用于类别标签。该文件应为纯文本文件，每行一个标签，标签数量应与模型输出的类别数量匹配。请参阅 示例标签文件。

  • 输出标签张量： (kTfLiteString/kTfLiteInt32)

    • 每个类别的标签的可选输出张量，其长度应与输出分数张量相同。如果此张量不存在，则 API 使用分数索引作为类名。

    • 如果输出分数张量的元数据中存在关联的标签文件，则将忽略此张量。