ใช้โมเดล TensorFlow Lite เพื่อจัดหมวดหมู่ย่อหน้าออกเป็นกลุ่มที่กำหนดไว้ล่วงหน้า
เริ่ม
หากคุณยังใหม่กับ TensorFlow Lite และกำลังทำงานกับ Android เราขอแนะนำให้สำรวจคำแนะนำของ TensorFlow Lite Task Library เพื่อรวมโมเดลการจัดหมวดหมู่ข้อความไว้ภายในโค้ดเพียงไม่กี่บรรทัด คุณยังสามารถผสานรวมโมเดลโดยใช้ TensorFlow Lite Interpreter Java API
ตัวอย่าง Android ด้านล่างสาธิตการใช้งานทั้งสองวิธีเป็น lib_task_api และ lib_reapter ตามลำดับ
หากคุณใช้แพลตฟอร์มอื่นที่ไม่ใช่ Android หรือคุ้นเคยกับ TensorFlow Lite API อยู่แล้ว คุณสามารถดาวน์โหลดโมเดลการจัดหมวดหมู่ข้อความเริ่มต้นของเราได้
มันทำงานอย่างไร
การจัดหมวดหมู่ข้อความจะจัดหมวดหมู่ย่อหน้าออกเป็นกลุ่มที่กำหนดไว้ล่วงหน้าตามเนื้อหา
แบบจำลองที่ได้รับการฝึกล่วงหน้านี้จะคาดการณ์ว่าความคิดเห็นของย่อหน้านั้นเป็นเชิงบวกหรือเชิงลบ ได้รับการฝึกอบรมเกี่ยวกับ ชุดข้อมูลบทวิจารณ์ภาพยนตร์ขนาดใหญ่ v1.0 จาก Mass และคณะ ซึ่งประกอบด้วยบทวิจารณ์ภาพยนตร์ IMDB ที่มีป้ายกำกับว่าเป็นบวกหรือลบ
ต่อไปนี้เป็นขั้นตอนในการจำแนกย่อหน้าด้วยโมเดล:
- โทเค็นย่อหน้าและแปลงเป็นรายการรหัสคำโดยใช้คำศัพท์ที่กำหนดไว้ล่วงหน้า
- ป้อนรายการให้กับโมเดล TensorFlow Lite
- รับความน่าจะเป็นของย่อหน้าที่เป็นค่าบวกหรือลบจากผลลัพธ์ของแบบจำลอง
บันทึก
- รองรับเฉพาะภาษาอังกฤษเท่านั้น
- โมเดลนี้ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลบทวิจารณ์ภาพยนตร์ ดังนั้นคุณอาจพบว่ามีความแม่นยำลดลงเมื่อจัดประเภทข้อความของโดเมนอื่น
เกณฑ์มาตรฐานประสิทธิภาพ
หมายเลขเกณฑ์มาตรฐานประสิทธิภาพสร้างขึ้นด้วยเครื่องมือ ที่อธิบายไว้ที่นี่
ชื่อรุ่น | ขนาดโมเดล | อุปกรณ์ | ซีพียู |
---|---|---|---|
การจำแนกข้อความ | 0.6 ลบ | พิกเซล 3 (Android 10) | 0.05ms* |
พิกเซล 4 (Android 10) | 0.05ms* | ||
iPhone XS (iOS 12.4.1) | 0.025ms** |
* ใช้ 4 เธรด
** ใช้ 2 เธรดบน iPhone เพื่อผลลัพธ์ประสิทธิภาพที่ดีที่สุด
ตัวอย่างเอาต์พุต
ข้อความ | เชิงลบ (0) | แง่บวก (1) |
---|---|---|
นี่คือภาพยนตร์ที่ดีที่สุดที่ฉันเคยดูในช่วงไม่กี่ปีที่ผ่านมา ขอแนะนำอย่างยิ่ง! | 25.3% | 74.7% |
เสียเวลาของฉันจริงๆ | 72.5% | 27.5% |
ใช้ชุดข้อมูลการฝึกอบรมของคุณ
ทำตาม บทช่วยสอน นี้เพื่อใช้เทคนิคเดียวกับที่ใช้ในที่นี่เพื่อฝึกโมเดลการจัดหมวดหมู่ข้อความโดยใช้ชุดข้อมูลของคุณเอง ด้วยชุดข้อมูลที่ถูกต้อง คุณสามารถสร้างแบบจำลองสำหรับกรณีการใช้งาน เช่น การจัดหมวดหมู่เอกสารหรือการตรวจจับความคิดเห็นที่เป็นพิษ