集成 BERT 自然语言分类器

Task Library BertNLClassifier API 与将输入文本分类为不同类别的 NLClassifier 非常相似，不同之处在于，该 API 专门为 BERT 相关的模型定制，这些模型需要在 TFLite 模型之外使用 WordPiece 和 SentencePiece 标记化。

BertNLClassifier API 的主要功能

将单个字符串作为输入，对该字符串进行分类，并输出 <Label, Score> 对作为分类结果。
对输入文本执行计算图外的 WordPiece 或 SentencePiece 标记化。

支持的 BertNLClassifier 模型

以下模型与 BertNLClassifier API 兼容。

由适用于文本分类的 TensorFlow Lite Model Maker 创建的 BERT 模型。
符合模型兼容性要求的自定义模型。

用 Java 运行推断

步骤 1：导入 Gradle 依赖项和其他设置

将 .tflite 模型文件复制到将要运行模型的 Android 模块的资源目录下。指定不压缩该文件，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 Text Library dependency (NNAPI is included)
    implementation 'org.tensorflow:tensorflow-lite-task-text:0.4.4'
}

注：从 Android Gradle 插件的 4.1 版开始，默认情况下，.tflite 将被添加到 noCompress 列表中，不再需要上面的 aaptOptions。

步骤 2：使用 API 运行推断

// Initialization
BertNLClassifierOptions options =
    BertNLClassifierOptions.builder()
        .setBaseOptions(BaseOptions.builder().setNumThreads(4).build())
        .build();
BertNLClassifier classifier =
    BertNLClassifier.createFromFileAndOptions(context, modelFile, options);

// Run inference
List<Category> results = classifier.classify(input);

有关详情，请参阅源代码。

用 Swift 运行推断

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 运行推断

// Initialization
let bertNLClassifier = TFLBertNLClassifier.bertNLClassifier(
      modelPath: bertModelPath)

// Run inference
let categories = bertNLClassifier.classify(text: input)

有关详情，请参阅源代码。

用 C++ 运行推断

// Initialization
BertNLClassifierOptions options;
options.mutable_base_options()->mutable_model_file()->set_file_name(model_path);
std::unique_ptr<BertNLClassifier> classifier = BertNLClassifier::CreateFromOptions(options).value();

// Run inference with your input, `input_text`.
std::vector<core::Category> categories = classifier->Classify(input_text);

请参阅源代码，了解详细信息。

在 Python 中运行推断

第 1 步：安装 pip 软件包

pip install tflite-support

第 2 步：使用模型

# Imports
from tflite_support.task import text

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

# Run inference
text_classification_result = classifier.classify(text)

请参阅源代码，了解有关配置 BertNLClassifier 的更多选项。

结果示例

下面是使用 Model Maker 中的 MobileBert 模型对电影评论进行分类的结果示例。

输入：“it's a charming and often affecting journey”

输出：

category[0]: 'negative' : '0.00006'
category[1]: 'positive' : '0.99994'

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

模型兼容性要求

BetNLClassifier API 需要具有强制性 TFLite 模型元数据的 TFLite 模型。

元数据应满足以下要求：

用于 WordPiece/SentencePiece 标记器的 input_process_units
3 个名称为 "ids"、"mask" 和 "segment_ids" 的输入张量，用于标记器的输出
1 个类型为 float32 的输出张量，并可选择附加标签文件。如果附加了标签文件，则该文件应该为纯文本文件，每行一个标签，标签的数量应与模型输出的类别数量相匹配。