Gunakan model TensorFlow Lite untuk mengkategorikan paragraf ke dalam grup yang telah ditentukan sebelumnya.
Memulai
Jika Anda baru mengenal TensorFlow Lite dan bekerja dengan Android, kami sarankan untuk menjelajahi panduan Pustaka Tugas TensorFLow Lite untuk mengintegrasikan model klasifikasi teks hanya dalam beberapa baris kode. Anda juga dapat mengintegrasikan model menggunakan TensorFlow Lite Interpreter Java API .
Contoh Android di bawah ini menunjukkan implementasi untuk kedua metode masing-masing sebagai lib_task_api dan lib_interpreter .
Jika Anda menggunakan platform selain Android, atau Anda sudah terbiasa dengan TensorFlow Lite API, Anda dapat mengunduh model klasifikasi teks awal kami.
Bagaimana itu bekerja
Klasifikasi teks mengkategorikan paragraf ke dalam kelompok yang telah ditentukan berdasarkan isinya.
Model pra-latihan ini memprediksi apakah sentimen paragraf positif atau negatif. Itu dilatih pada Dataset Ulasan Film Besar v1.0 dari Mass et al, yang terdiri dari ulasan film IMDB yang diberi label positif atau negatif.
Berikut langkah-langkah untuk mengklasifikasikan paragraf dengan model:
- Token paragraf dan ubah menjadi daftar id kata menggunakan kosakata yang telah ditentukan.
- Masukkan daftar ke model TensorFlow Lite.
- Dapatkan probabilitas paragraf menjadi positif atau negatif dari keluaran model.
Catatan
- Hanya bahasa Inggris yang didukung.
- Model ini dilatih pada kumpulan data ulasan film sehingga Anda mungkin mengalami penurunan akurasi saat mengklasifikasikan teks dari domain lain.
Tolok ukur kinerja
Angka tolok ukur kinerja dihasilkan dengan alat yang dijelaskan di sini .
| Nama model | Ukuran model | Perangkat | CPU |
|---|---|---|---|
| Klasifikasi Teks | 0,6 Mb | Piksel 3 (Android 10) | 0,05 ms* |
| Piksel 4 (Android 10) | 0,05 ms* | ||
| iPhone XS (iOS 12.4.1) | 0,025 md** |
* 4 benang digunakan.
** 2 utas digunakan pada iPhone untuk hasil kinerja terbaik.
Contoh keluaran
| Teks | Negatif (0) | Positif (1) |
|---|---|---|
| Ini adalah film terbaik yang pernah saya lihat dalam beberapa tahun terakhir. Sangat merekomendasikannya! | 25,3% | 74,7% |
| Apa buang-buang waktu saya. | 72,5% | 27,5% |
Gunakan set data pelatihan Anda
Ikuti tutorial ini untuk menerapkan teknik yang sama yang digunakan di sini untuk melatih model klasifikasi teks menggunakan kumpulan data Anda sendiri. Dengan kumpulan data yang tepat, Anda dapat membuat model untuk kasus penggunaan seperti kategorisasi dokumen atau deteksi komentar beracun.