การค้นหาความหมายด้วยเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณและการฝังข้อความ

บทช่วยสอนนี้สาธิตวิธีสร้างการฝังจากโมดูล TensorFlow Hub (TF-Hub) ที่มีข้อมูลอินพุต และสร้างดัชนีเพื่อนบ้านที่ใกล้ที่สุด (ANN) โดยประมาณโดยใช้การฝังที่แยกออกมา ดัชนีนี้สามารถใช้สำหรับการจับคู่และการดึงข้อมูลความคล้ายคลึงกันแบบเรียลไทม์

เมื่อต้องจัดการกับคลังข้อมูลขนาดใหญ่ การทำการจับคู่แบบตรงทั้งหมดโดยการสแกนพื้นที่เก็บข้อมูลทั้งหมดเพื่อค้นหารายการที่คล้ายกันมากที่สุดในการสืบค้นที่ระบุแบบเรียลไทม์จะไม่มีประสิทธิภาพ ดังนั้นเราจึงใช้อัลกอริธึมการจับคู่ความคล้ายคลึงโดยประมาณซึ่งช่วยให้เราสามารถแลกความแม่นยำเล็กน้อยในการค้นหาการจับคู่เพื่อนบ้านที่ใกล้เคียงที่สุดเพื่อเพิ่มความเร็วได้อย่างมาก

ในบทช่วยสอนนี้ เราจะแสดงตัวอย่างการค้นหาข้อความแบบเรียลไทม์ในคลังหัวข้อข่าวเพื่อค้นหาหัวข้อข่าวที่คล้ายกับข้อความค้นหามากที่สุด ต่างจากการค้นหาคำหลัก โดยจะจับความคล้ายคลึงทางความหมายที่เข้ารหัสในการฝังข้อความ

ขั้นตอนของบทช่วยสอนนี้คือ:

1. ดาวน์โหลดข้อมูลตัวอย่าง
2. สร้างการฝังข้อมูลโดยใช้โมดูล TF-Hub
3. สร้างดัชนี ANN สำหรับการฝัง
4. ใช้ดัชนีสำหรับการจับคู่ความคล้ายคลึงกัน

เราใช้ Apache Beam เพื่อสร้างการฝังจากโมดูล TF-Hub นอกจากนี้เรายังใช้ไลบรารี ANNOY ของ Spotify เพื่อสร้างดัชนีเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณ

รุ่นเพิ่มเติม

สำหรับรุ่นที่มีสถาปัตยกรรมเดียวกันแต่ได้รับการฝึกฝนในภาษาอื่น โปรดดูคอลเลกชั่น นี้ ที่นี่ คุณจะพบการฝังข้อความทั้งหมดที่โฮสต์อยู่บน tfhub.dev ในปัจจุบัน

ตั้งค่า

ติดตั้งไลบรารีที่จำเป็น

pip install -q apache_beam
pip install -q 'scikit_learn~=0.23.0'  # For gaussian_random_matrix.
pip install -q annoy

นำเข้าไลบรารีที่จำเป็น

import os
import sys
import pickle
from collections import namedtuple
from datetime import datetime
import numpy as np
import apache_beam as beam
from apache_beam.transforms import util
import tensorflow as tf
import tensorflow_hub as hub
import annoy
from sklearn.random_projection import gaussian_random_matrix

print('TF version: {}'.format(tf.__version__))
print('TF-Hub version: {}'.format(hub.__version__))
print('Apache Beam version: {}'.format(beam.__version__))

TF version: 2.4.0
TF-Hub version: 0.11.0
Apache Beam version: 2.26.0

1. ดาวน์โหลดข้อมูลตัวอย่าง

ชุดข้อมูล A Million News Headlines ประกอบด้วยหัวข้อข่าวที่เผยแพร่ในช่วง 15 ปีที่มาจาก Australian Broadcasting Corp. (ABC) ที่มีชื่อเสียง ชุดข้อมูลข่าวนี้มีบันทึกทางประวัติศาสตร์โดยสรุปของเหตุการณ์สำคัญในโลกตั้งแต่ต้นปี 2546 ถึงสิ้นปี 2560 โดยเน้นที่ออสเตรเลียโดยละเอียดยิ่งขึ้น

รูปแบบ : ข้อมูลสองคอลัมน์ที่คั่นด้วยแท็บ: 1) วันที่ตีพิมพ์ และ 2) ข้อความพาดหัว เราสนใจเฉพาะข้อความพาดหัวเท่านั้น

wget 'https://dataverse.harvard.edu/api/access/datafile/3450625?format=tab&gbrecs=true' -O raw.tsv
wc -l raw.tsv
head raw.tsv

--2021-01-07 12:50:08--  https://dataverse.harvard.edu/api/access/datafile/3450625?format=tab&gbrecs=true
Resolving dataverse.harvard.edu (dataverse.harvard.edu)... 206.191.184.198
Connecting to dataverse.harvard.edu (dataverse.harvard.edu)|206.191.184.198|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 57600231 (55M) [text/tab-separated-values]
Saving to: ‘raw.tsv’

raw.tsv             100%[===================>]  54.93M  14.7MB/s    in 4.4s    

2021-01-07 12:50:14 (12.4 MB/s) - ‘raw.tsv’ saved [57600231/57600231]

1103664 raw.tsv
publish_date    headline_text
20030219    "aba decides against community broadcasting licence"
20030219    "act fire witnesses must be aware of defamation"
20030219    "a g calls for infrastructure protection summit"
20030219    "air nz staff in aust strike for pay rise"
20030219    "air nz strike to affect australian travellers"
20030219    "ambitious olsson wins triple jump"
20030219    "antic delighted with record breaking barca"
20030219    "aussie qualifier stosur wastes four memphis match"
20030219    "aust addresses un security council over iraq"

เพื่อความง่าย เราจะเก็บเฉพาะข้อความพาดหัวและลบวันที่เผยแพร่ออก

!rm -r corpus
!mkdir corpus

with open('corpus/text.txt', 'w') as out_file:
  with open('raw.tsv', 'r') as in_file:
    for line in in_file:
      headline = line.split('\t')[1].strip().strip('"')
      out_file.write(headline+"\n")

rm: cannot remove 'corpus': No such file or directory

tail corpus/text.txt

severe storms forecast for nye in south east queensland
snake catcher pleads for people not to kill reptiles
south australia prepares for party to welcome new year
strikers cool off the heat with big win in adelaide
stunning images from the sydney to hobart yacht
the ashes smiths warners near miss liven up boxing day test
timelapse: brisbanes new year fireworks
what 2017 meant to the kids of australia
what the papodopoulos meeting may mean for ausus
who is george papadopoulos the former trump campaign aide

2. สร้างการฝังสำหรับข้อมูล

ในบทช่วยสอนนี้ เราใช้ Neural Network Language Model (NNLM) เพื่อสร้างการฝังสำหรับข้อมูลพาดหัว การฝังประโยคสามารถนำไปใช้คำนวณระดับประโยคที่มีความหมายคล้ายคลึงกันได้อย่างง่ายดาย เรารันกระบวนการสร้างการฝังโดยใช้ Apache Beam

วิธีการสกัดแบบฝัง

embed_fn = None

def generate_embeddings(text, module_url, random_projection_matrix=None):
  # Beam will run this function in different processes that need to
  # import hub and load embed_fn (if not previously loaded)
  global embed_fn
  if embed_fn is None:
    embed_fn = hub.load(module_url)
  embedding = embed_fn(text).numpy()
  if random_projection_matrix is not None:
    embedding = embedding.dot(random_projection_matrix)
  return text, embedding

แปลงเป็นวิธี tf.Example

def to_tf_example(entries):
  examples = []

  text_list, embedding_list = entries
  for i in range(len(text_list)):
    text = text_list[i]
    embedding = embedding_list[i]

    features = {
        'text': tf.train.Feature(
            bytes_list=tf.train.BytesList(value=[text.encode('utf-8')])),
        'embedding': tf.train.Feature(
            float_list=tf.train.FloatList(value=embedding.tolist()))
    }

    example = tf.train.Example(
        features=tf.train.Features(
            feature=features)).SerializeToString(deterministic=True)

    examples.append(example)

  return examples

ท่อบีม

def run_hub2emb(args):
  '''Runs the embedding generation pipeline'''

  options = beam.options.pipeline_options.PipelineOptions(**args)
  args = namedtuple("options", args.keys())(*args.values())

  with beam.Pipeline(args.runner, options=options) as pipeline:
    (
        pipeline
        | 'Read sentences from files' >> beam.io.ReadFromText(
            file_pattern=args.data_dir)
        | 'Batch elements' >> util.BatchElements(
            min_batch_size=args.batch_size, max_batch_size=args.batch_size)
        | 'Generate embeddings' >> beam.Map(
            generate_embeddings, args.module_url, args.random_projection_matrix)
        | 'Encode to tf example' >> beam.FlatMap(to_tf_example)
        | 'Write to TFRecords files' >> beam.io.WriteToTFRecord(
            file_path_prefix='{}/emb'.format(args.output_dir),
            file_name_suffix='.tfrecords')
    )

การสร้างเมทริกซ์น้ำหนักการฉายภาพแบบสุ่ม

การฉายภาพแบบสุ่ม เป็นเทคนิคที่เรียบง่ายแต่ทรงพลัง ซึ่งใช้เพื่อลดมิติของชุดจุดที่อยู่ในปริภูมิแบบยุคลิด สำหรับข้อมูลพื้นฐานทางทฤษฎี โปรดดู บทแทรกของจอห์นสัน-ลินเดนสเตราส์

การลดมิติของการฝังด้วยการฉายภาพแบบสุ่มหมายถึงเวลาในการสร้างและสืบค้นดัชนี ANN น้อยลง

ในบทช่วยสอนนี้ เราใช้ Gaussian Random Projection จากไลบรารี Scikit-learn

def generate_random_projection_weights(original_dim, projected_dim):
  random_projection_matrix = None
  random_projection_matrix = gaussian_random_matrix(
      n_components=projected_dim, n_features=original_dim).T
  print("A Gaussian random weight matrix was creates with shape of {}".format(random_projection_matrix.shape))
  print('Storing random projection matrix to disk...')
  with open('random_projection_matrix', 'wb') as handle:
    pickle.dump(random_projection_matrix, 
                handle, protocol=pickle.HIGHEST_PROTOCOL)

  return random_projection_matrix

ตั้งค่าพารามิเตอร์

หากคุณต้องการสร้างดัชนีโดยใช้พื้นที่ฝังเดิมโดยไม่มีการฉายภาพแบบสุ่ม ให้ตั้งค่าพารามิเตอร์ projected_dim เป็น None โปรดทราบว่าการดำเนินการนี้จะทำให้ขั้นตอนการจัดทำดัชนีสำหรับการฝังมิติสูงช้าลง

สลับรหัส

module_url = 'https://tfhub.dev/google/nnlm-en-dim128/2'
projected_dim = 64

เรียกใช้ไปป์ไลน์

import tempfile

output_dir = tempfile.mkdtemp()
original_dim = hub.load(module_url)(['']).shape[1]
random_projection_matrix = None

if projected_dim:
  random_projection_matrix = generate_random_projection_weights(
      original_dim, projected_dim)

args = {
    'job_name': 'hub2emb-{}'.format(datetime.utcnow().strftime('%y%m%d-%H%M%S')),
    'runner': 'DirectRunner',
    'batch_size': 1024,
    'data_dir': 'corpus/*.txt',
    'output_dir': output_dir,
    'module_url': module_url,
    'random_projection_matrix': random_projection_matrix,
}

print("Pipeline args are set.")
args

A Gaussian random weight matrix was creates with shape of (128, 64)
Storing random projection matrix to disk...
Pipeline args are set.

/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/sklearn/utils/deprecation.py:86: FutureWarning: Function gaussian_random_matrix is deprecated; gaussian_random_matrix is deprecated in 0.22 and will be removed in version 0.24.
  warnings.warn(msg, category=FutureWarning)

{'job_name': 'hub2emb-210107-125029',
 'runner': 'DirectRunner',
 'batch_size': 1024,
 'data_dir': 'corpus/*.txt',
 'output_dir': '/tmp/tmp0g361gzp',
 'module_url': 'https://tfhub.dev/google/nnlm-en-dim128/2',
 'random_projection_matrix': array([[-0.1349755 , -0.12082699,  0.07092581, ..., -0.02680793,
         -0.0459312 , -0.20462361],
        [-0.06197901,  0.01832142,  0.21362496, ...,  0.06641898,
          0.14553738, -0.117217  ],
        [ 0.03452009,  0.14239163,  0.01371371, ...,  0.10422342,
          0.02966668, -0.07094185],
        ...,
        [ 0.03384223,  0.05102025,  0.01941788, ..., -0.07500625,
          0.09584965, -0.08593636],
        [ 0.11010087, -0.10597793,  0.06668758, ..., -0.0518654 ,
         -0.14681441,  0.08449293],
        [ 0.26909502, -0.0291555 ,  0.04305639, ..., -0.02295843,
          0.1164921 , -0.04828371]])}

print("Running pipeline...")
%time run_hub2emb(args)
print("Pipeline is done.")

WARNING:apache_beam.runners.interactive.interactive_environment:Dependencies required for Interactive Beam PCollection visualization are not available, please use: `pip install apache-beam[interactive]` to install necessary dependencies to enable all data visualization features.

Running pipeline...

Warning:tensorflow:5 out of the last 5 calls to <function recreate_function.<locals>.restored_function_body at 0x7efcac3599d8> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/guide/function#controlling_retracing and https://www.tensorflow.org/api_docs/python/tf/function for  more details.

Warning:tensorflow:5 out of the last 5 calls to <function recreate_function.<locals>.restored_function_body at 0x7efcac3599d8> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/guide/function#controlling_retracing and https://www.tensorflow.org/api_docs/python/tf/function for  more details.

Warning:tensorflow:6 out of the last 6 calls to <function recreate_function.<locals>.restored_function_body at 0x7efcac475598> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/guide/function#controlling_retracing and https://www.tensorflow.org/api_docs/python/tf/function for  more details.

Warning:tensorflow:6 out of the last 6 calls to <function recreate_function.<locals>.restored_function_body at 0x7efcac475598> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/guide/function#controlling_retracing and https://www.tensorflow.org/api_docs/python/tf/function for  more details.
WARNING:apache_beam.io.tfrecordio:Couldn't find python-snappy so the implementation of _TFRecordUtil._masked_crc32c is not as fast as it could be.

CPU times: user 9min 4s, sys: 10min 14s, total: 19min 19s
Wall time: 2min 30s
Pipeline is done.

ls {output_dir}

emb-00000-of-00001.tfrecords

อ่านการฝังที่สร้างขึ้นบางส่วน...

embed_file = os.path.join(output_dir, 'emb-00000-of-00001.tfrecords')
sample = 5

# Create a description of the features.
feature_description = {
    'text': tf.io.FixedLenFeature([], tf.string),
    'embedding': tf.io.FixedLenFeature([projected_dim], tf.float32)
}

def _parse_example(example):
  # Parse the input `tf.Example` proto using the dictionary above.
  return tf.io.parse_single_example(example, feature_description)

dataset = tf.data.TFRecordDataset(embed_file)
for record in dataset.take(sample).map(_parse_example):
  print("{}: {}".format(record['text'].numpy().decode('utf-8'), record['embedding'].numpy()[:10]))

headline_text: [ 0.07743962 -0.10065071 -0.03604915  0.03902601  0.02538098 -0.01991337
 -0.11972483  0.03102058  0.16498186 -0.04299153]
aba decides against community broadcasting licence: [ 0.02420221 -0.07736929  0.05655728 -0.18739551  0.11344934  0.12652674
 -0.18189304  0.00422473  0.13149698  0.01910412]
act fire witnesses must be aware of defamation: [-0.17413895 -0.05418579  0.07769868  0.05096476  0.08622053  0.33112594
  0.04067763  0.00448784  0.15882017  0.33829722]
a g calls for infrastructure protection summit: [ 0.16939437 -0.18585566 -0.14201084 -0.21779229 -0.1374832   0.14933842
 -0.19583155  0.12921487  0.09811856  0.099967  ]
air nz staff in aust strike for pay rise: [ 0.0230642  -0.03269081  0.18271443  0.23761444 -0.01575144  0.06109515
 -0.01963143 -0.05211507  0.06050447 -0.20023327]

3. สร้างดัชนี ANN สำหรับการฝัง

ANNOY (Approximate Nearest Neighbours Oh Yeah) เป็นไลบรารี C++ ที่มีการผูก Python เพื่อค้นหาจุดในอวกาศที่อยู่ใกล้กับจุดสืบค้นที่กำหนด นอกจากนี้ยังสร้างโครงสร้างข้อมูลแบบไฟล์แบบอ่านอย่างเดียวขนาดใหญ่ที่แมปลงในหน่วยความจำ Spotify สร้างและใช้งานเพื่อแนะนำเพลง หากคุณสนใจคุณสามารถเล่นร่วมกับทางเลือกอื่นแทน ANNOY เช่น NGT , FAISS เป็นต้น

def build_index(embedding_files_pattern, index_filename, vector_length, 
    metric='angular', num_trees=100):
  '''Builds an ANNOY index'''

  annoy_index = annoy.AnnoyIndex(vector_length, metric=metric)
  # Mapping between the item and its identifier in the index
  mapping = {}

  embed_files = tf.io.gfile.glob(embedding_files_pattern)
  num_files = len(embed_files)
  print('Found {} embedding file(s).'.format(num_files))

  item_counter = 0
  for i, embed_file in enumerate(embed_files):
    print('Loading embeddings in file {} of {}...'.format(i+1, num_files))
    dataset = tf.data.TFRecordDataset(embed_file)
    for record in dataset.map(_parse_example):
      text = record['text'].numpy().decode("utf-8")
      embedding = record['embedding'].numpy()
      mapping[item_counter] = text
      annoy_index.add_item(item_counter, embedding)
      item_counter += 1
      if item_counter % 100000 == 0:
        print('{} items loaded to the index'.format(item_counter))

  print('A total of {} items added to the index'.format(item_counter))

  print('Building the index with {} trees...'.format(num_trees))
  annoy_index.build(n_trees=num_trees)
  print('Index is successfully built.')

  print('Saving index to disk...')
  annoy_index.save(index_filename)
  print('Index is saved to disk.')
  print("Index file size: {} GB".format(
    round(os.path.getsize(index_filename) / float(1024 ** 3), 2)))
  annoy_index.unload()

  print('Saving mapping to disk...')
  with open(index_filename + '.mapping', 'wb') as handle:
    pickle.dump(mapping, handle, protocol=pickle.HIGHEST_PROTOCOL)
  print('Mapping is saved to disk.')
  print("Mapping file size: {} MB".format(
    round(os.path.getsize(index_filename + '.mapping') / float(1024 ** 2), 2)))

embedding_files = "{}/emb-*.tfrecords".format(output_dir)
embedding_dimension = projected_dim
index_filename = "index"

!rm {index_filename}
!rm {index_filename}.mapping

%time build_index(embedding_files, index_filename, embedding_dimension)

rm: cannot remove 'index': No such file or directory
rm: cannot remove 'index.mapping': No such file or directory
Found 1 embedding file(s).
Loading embeddings in file 1 of 1...
100000 items loaded to the index
200000 items loaded to the index
300000 items loaded to the index
400000 items loaded to the index
500000 items loaded to the index
600000 items loaded to the index
700000 items loaded to the index
800000 items loaded to the index
900000 items loaded to the index
1000000 items loaded to the index
1100000 items loaded to the index
A total of 1103664 items added to the index
Building the index with 100 trees...
Index is successfully built.
Saving index to disk...
Index is saved to disk.
Index file size: 1.61 GB
Saving mapping to disk...
Mapping is saved to disk.
Mapping file size: 50.61 MB
CPU times: user 9min 54s, sys: 53.9 s, total: 10min 48s
Wall time: 5min 5s

ls

corpus         random_projection_matrix
index          raw.tsv
index.mapping  tf2_semantic_approximate_nearest_neighbors.ipynb

4. ใช้ดัชนีสำหรับการจับคู่ความคล้ายคลึงกัน

ตอนนี้เราสามารถใช้ดัชนี ANN เพื่อค้นหาหัวข้อข่าวที่มีความหมายใกล้เคียงกับข้อความค้นหาอินพุต

โหลดดัชนีและไฟล์การแมป

index = annoy.AnnoyIndex(embedding_dimension)
index.load(index_filename, prefault=True)
print('Annoy index is loaded.')
with open(index_filename + '.mapping', 'rb') as handle:
  mapping = pickle.load(handle)
print('Mapping file is loaded.')

Annoy index is loaded.

/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/ipykernel_launcher.py:1: FutureWarning: The default argument for metric will be removed in future version of Annoy. Please pass metric='angular' explicitly.
  """Entry point for launching an IPython kernel.

Mapping file is loaded.

วิธีจับคู่ความคล้ายคลึงกัน

def find_similar_items(embedding, num_matches=5):
  '''Finds similar items to a given embedding in the ANN index'''
  ids = index.get_nns_by_vector(
  embedding, num_matches, search_k=-1, include_distances=False)
  items = [mapping[i] for i in ids]
  return items

แยกการฝังออกจากแบบสอบถามที่กำหนด

# Load the TF-Hub module
print("Loading the TF-Hub module...")
%time embed_fn = hub.load(module_url)
print("TF-Hub module is loaded.")

random_projection_matrix = None
if os.path.exists('random_projection_matrix'):
  print("Loading random projection matrix...")
  with open('random_projection_matrix', 'rb') as handle:
    random_projection_matrix = pickle.load(handle)
  print('random projection matrix is loaded.')

def extract_embeddings(query):
  '''Generates the embedding for the query'''
  query_embedding =  embed_fn([query])[0].numpy()
  if random_projection_matrix is not None:
    query_embedding = query_embedding.dot(random_projection_matrix)
  return query_embedding

Loading the TF-Hub module...
CPU times: user 757 ms, sys: 619 ms, total: 1.38 s
Wall time: 1.37 s
TF-Hub module is loaded.
Loading random projection matrix...
random projection matrix is loaded.

extract_embeddings("Hello Machine Learning!")[:10]

array([ 0.12164804,  0.0162079 , -0.15466002, -0.14580576,  0.03926325,
       -0.10124508, -0.1333948 ,  0.0515029 , -0.14688903, -0.09971556])

ป้อนคำค้นหาเพื่อค้นหารายการที่คล้ายกันมากที่สุด

สลับรหัส

query = "confronting global challenges"

print("Generating embedding for the query...")
%time query_embedding = extract_embeddings(query)

print("")
print("Finding relevant items in the index...")
%time items = find_similar_items(query_embedding, 10)

print("")
print("Results:")
print("=========")
for item in items:
  print(item)

Generating embedding for the query...
CPU times: user 5.18 ms, sys: 596 µs, total: 5.77 ms
Wall time: 2.19 ms

Finding relevant items in the index...
CPU times: user 555 µs, sys: 327 µs, total: 882 µs
Wall time: 601 µs

Results:
=========
confronting global challenges
emerging nations to help struggling global economy
g7 warns of increasing global economic crisis
world struggling to cope with global terrorism
companies health to struggle amid global crisis
external risks biggest threat to economy
asian giants unite to tackle global crisis
g7 ministers warn of slowing global growth
experts to discuss global warming threat
scientists warn of growing natural disasters

ต้องการเรียนรู้เพิ่มเติมหรือไม่?

คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับ TensorFlow ได้ที่ tensorflow.org และดูเอกสารประกอบ TF-Hub API ได้ที่ tensorflow.org/hub ค้นหาโมดูล TensorFlow Hub ที่พร้อมใช้งานได้ที่ tfhub.dev รวมถึงโมดูลการฝังข้อความเพิ่มเติมและโมดูลเวกเตอร์คุณลักษณะรูปภาพ

นอกจากนี้ ลองเข้าไปดู หลักสูตร Machine Learning Crash ซึ่งเป็นการแนะนำการเรียนรู้ของเครื่องแบบรวดเร็วและใช้งานได้จริงของ Google