Tambahkan Klasifikasi Teks di perangkat ke aplikasi Anda dengan TensorFlow Lite dan Firebase - iOS Codelab

1. Ikhtisar

klasifikasi_hasil_layar.png

Selamat datang di Klasifikasi Teks dengan codelab TensorFlow Lite dan Firebase. Dalam codelab ini, Anda akan mempelajari cara menggunakan TensorFlow Lite dan Firebase untuk melatih dan men-deploy model klasifikasi teks ke aplikasi Anda. Codelab ini didasarkan pada contoh TensorFlow Lite ini.

Klasifikasi teks adalah proses pemberian tag atau kategori pada teks menurut isinya. Ini adalah salah satu tugas mendasar dalam Natural Language Processing (NLP) dengan aplikasi luas seperti analisis sentimen, pelabelan topik, deteksi spam, dan deteksi niat.

Analisis sentimen adalah interpretasi dan klasifikasi emosi (positif, negatif dan netral) dalam data teks menggunakan teknik analisis teks. Analisis sentimen memungkinkan bisnis mengidentifikasi sentimen pelanggan terhadap produk, merek, atau layanan dalam percakapan dan umpan balik online.

Tutorial ini menunjukkan cara membuat model pembelajaran mesin untuk analisis sentimen, khususnya mengklasifikasikan teks sebagai positif atau negatif. Ini adalah contoh klasifikasi biner—atau dua kelas—yang merupakan jenis masalah pembelajaran mesin yang penting dan dapat diterapkan secara luas.

Apa yang akan Anda pelajari

  • Latih model analisis sentimen TF Lite dengan TF Lite Model Maker
  • Terapkan model TF Lite ke Firebase ML dan akses model tersebut dari aplikasi Anda
  • Lacak masukan pengguna untuk mengukur akurasi model dengan Firebase Analytics
  • Profil performa model melalui Firebase Performance Monitoring
  • Pilih salah satu dari beberapa model yang diterapkan yang dimuat melalui Remote Config
  • Bereksperimenlah dengan berbagai model melalui Pengujian A/B Firebase

Apa yang Anda perlukan

  • Xcode 11 (atau lebih tinggi)
  • CocoaPods 1.9.1 (atau lebih tinggi)

Bagaimana Anda akan menggunakan tutorial ini?

Bacalah sampai tuntas saja Bacalah dan selesaikan latihannya

Bagaimana menilai pengalaman Anda dalam membuat aplikasi Android?

Pemula Intermediat Ahli

2. Buat proyek konsol Firebase

Tambahkan Firebase ke proyek

  1. Buka konsol Firebase .
  2. Pilih Buat Proyek Baru dan beri nama proyek Anda "Firebase ML iOS Codelab".

3. Dapatkan Contoh Proyek

Unduh Kode

Mulailah dengan mengkloning proyek sampel dan menjalankan pod update di direktori proyek:

git clone https://github.com/FirebaseExtended/codelab-textclassification-ios.git
cd codelab-textclassification-ios
pod install --repo-update

Jika Anda belum menginstal git, Anda juga dapat mengunduh proyek sampel dari halaman GitHub atau dengan mengeklik tautan ini . Setelah Anda mengunduh proyek, jalankan di Xcode dan bermain-main dengan klasifikasi teks untuk merasakan cara kerjanya.

Siapkan Firebase

Ikuti dokumentasi untuk membuat proyek Firebase baru. Setelah Anda mendapatkan proyek, unduh file GoogleService-Info.plist proyek Anda dari Firebase console dan seret ke root proyek Xcode.

9efb62a92f27e939.png

Tambahkan Firebase ke Podfile Anda dan jalankan instalasi pod.

pod 'FirebaseMLModelDownloader', '9.3.0-beta'

Dalam metode didFinishLaunchingWithOptions AppDelegate Anda, impor Firebase di bagian atas file

import FirebaseCore

Dan tambahkan panggilan untuk mengonfigurasi Firebase.

FirebaseApp.configure()

Jalankan kembali proyek untuk memastikan aplikasi dikonfigurasi dengan benar dan tidak mogok saat diluncurkan.

4. Melatih model analisis sentimen

Kami akan menggunakan TensorFlow Lite Model Maker untuk melatih model klasifikasi teks guna memprediksi sentimen teks tertentu.

Langkah ini disajikan sebagai notebook Python yang dapat Anda buka di Google Colab.

Buka di Colab

Setelah menyelesaikan langkah ini, Anda akan memiliki model analisis sentimen TensorFlow Lite yang siap diterapkan ke aplikasi seluler.

5. Terapkan model ke Firebase ML

Men-deploy model ke Firebase ML berguna karena dua alasan utama:

  1. Kami dapat menjaga ukuran pemasangan aplikasi tetap kecil dan hanya mengunduh modelnya jika diperlukan
  2. Model dapat diperbarui secara berkala dan dengan siklus rilis yang berbeda dari keseluruhan aplikasi

Model ini dapat diterapkan melalui konsol, atau secara terprogram, menggunakan Firebase Admin SDK. Pada langkah ini kami akan menerapkan melalui konsol.

Pertama, buka Firebase Console dan klik Machine Learning di panel navigasi kiri. Klik 'Memulai' jika Anda membukanya untuk pertama kali. Kemudian navigasikan ke "Kustom" dan klik tombol "Tambahkan model".

Saat diminta, beri nama model sentiment_analysis dan unggah file yang Anda unduh dari Colab pada langkah sebelumnya.

3c3c50e6ef12b3b.png

6. Unduh model dari Firebase ML

Memilih waktu untuk mendownload model jarak jauh dari Firebase ke aplikasi Anda bisa jadi rumit karena model TFLite dapat berkembang secara relatif besar. Idealnya kita tidak ingin memuat model secara langsung saat aplikasi diluncurkan, karena jika model kita hanya digunakan untuk satu fitur dan pengguna tidak pernah menggunakan fitur tersebut, kita akan mengunduh sejumlah besar data tanpa alasan. Kita juga dapat mengatur opsi pengunduhan seperti hanya mengambil model saat terhubung ke wifi. Jika Anda ingin memastikan bahwa model tersedia bahkan tanpa koneksi jaringan, penting juga untuk menggabungkannya tanpa aplikasi sebagai cadangan.

Demi kesederhanaan, kami akan menghapus model paket default dan selalu mendownload model dari Firebase saat aplikasi dimulai untuk pertama kalinya. Dengan cara ini saat menjalankan analisis sentimen Anda dapat yakin bahwa inferensi berjalan dengan model yang disediakan dari Firebase.

Di bagian atas ModelLoader.swift , impor modul Firebase.

import FirebaseCore
import FirebaseMLModelDownloader

Kemudian terapkan metode berikut.

static func downloadModel(named name: String,
                          completion: @escaping (CustomModel?, DownloadError?) -> Void) {
  guard FirebaseApp.app() != nil else {
    completion(nil, .firebaseNotInitialized)
    return
  }
  guard success == nil && failure == nil else {
    completion(nil, .downloadInProgress)
    return
  }
  let conditions = ModelDownloadConditions(allowsCellularAccess: false)
  ModelDownloader.modelDownloader().getModel(name: name, downloadType: .localModelUpdateInBackground, conditions: conditions) { result in
          switch (result) {
          case .success(let customModel):
                  // Download complete.
                  // The CustomModel object contains the local path of the model file,
                  // which you can use to instantiate a TensorFlow Lite classifier.
                  return completion(customModel, nil)
          case .failure(let error):
              // Download was unsuccessful. Notify error message.
            completion(nil, .downloadFailed(underlyingError: error))
          }
  }
}

Di viewDidLoad ViewController.swift , ganti panggilan ke loadModel() dengan metode pengunduhan model baru kami.

// Download the model from Firebase
print("Fetching model...")
ModelLoader.downloadModel(named: "sentiment_analysis") { (customModel, error) in
  guard let customModel = customModel else {
    if let error = error {
      print(error)
    }
    return
  }

  print("Model download complete")

  // TODO: Initialize an NLClassifier from the downloaded model
}

Jalankan kembali aplikasi Anda. Setelah beberapa detik, Anda akan melihat log di Xcode yang menunjukkan model jarak jauh telah berhasil diunduh. Coba ketikkan beberapa teks dan konfirmasikan bahwa perilaku aplikasi tidak berubah.

7. Integrasikan model dalam aplikasi Anda

Pustaka Tugas Tensorflow Lite membantu Anda mengintegrasikan model TensorFlow Lite ke dalam aplikasi Anda hanya dengan beberapa baris kode. Kami akan menginisialisasi instance TFLNLClassifier menggunakan model TensorFlow Lite yang diunduh dari Firebase. Kemudian kita akan menggunakannya untuk mengklasifikasikan input teks dari pengguna aplikasi dan menampilkan hasilnya di UI.

Tambahkan ketergantungan

Buka Podfile aplikasi dan tambahkan TensorFlow Lite Task Library (Teks) di dependensi aplikasi. Pastikan Anda menambahkan ketergantungan di bawah deklarasi target 'TextClassification' .

pod 'TensorFlowLiteTaskText', '~> 0.2.0'

Jalankan pod install untuk menginstal dependensi baru.

Inisialisasi pengklasifikasi teks

Kemudian kita akan memuat model analisis sentimen yang diunduh dari Firebase menggunakan NLClassifier dari Task Library.

ViewController.swift

Mari kita mendeklarasikan variabel instan TFLNLClassifier. Di bagian atas file, impor ketergantungan baru:

import TensorFlowLiteTaskText

Temukan komentar ini di atas metode yang kami modifikasi pada langkah terakhir:

// TODO: Add a TFLNLClassifier property.

Ganti TODO dengan kode berikut:

private var classifier: TFLNLClassifier?

Inisialisasi variabel textClassifier dengan model analisis sentimen yang diunduh dari Firebase. Temukan komentar yang kami tambahkan pada langkah terakhir:

// TODO: Initialize an NLClassifier from the downloaded model

Ganti TODO dengan kode berikut:

let options = TFLNLClassifierOptions()
self.classifier = TFLNLClassifier.nlClassifier(modelPath: customModel.path, options: options)

Klasifikasikan teks

Setelah instance classifier disiapkan, Anda dapat menjalankan analisis sentimen dengan satu pemanggilan metode.

ViewController.swift

Dalam metode classify(text:) , temukan komentar TODO:

// TODO: Run sentiment analysis on the input text

Ganti komentar tersebut dengan kode berikut:

guard let classifier = self.classifier else { return }

// Classify the text
let classifierResults = classifier.classify(text: text)

// Append the results to the list of results
let result = ClassificationResult(text: text, results: classifierResults)
results.append(result)

8. Jalankan aplikasi terakhir

Anda telah mengintegrasikan model analisis sentimen ke aplikasi, jadi mari kita uji. Hubungkan perangkat iOS Anda, dan klik Jalankan ( jalankan.png ) di bilah alat Xcode.

Aplikasi harus dapat memprediksi dengan benar sentimen review film yang Anda masukkan.

klasifikasi_hasil_layar.png

9. Tingkatkan aplikasi dengan lebih banyak fitur Firebase

Selain menghosting model TFLite Anda, Firebase menyediakan beberapa fitur lain untuk memperkuat kasus penggunaan machine learning Anda:

  • Firebase Performance Monitoring untuk mengukur kecepatan inferensi model Anda yang berjalan di perangkat pengguna.
  • Firebase Analytics untuk mengukur seberapa baik performa model Anda dalam produksi dengan mengukur reaksi pengguna.
  • Pengujian A/B Firebase untuk menguji beberapa versi model Anda
  • Apakah Anda ingat kami melatih dua versi model TFLite kami sebelumnya? Pengujian A/B adalah cara yang baik untuk mengetahui versi mana yang berperforma lebih baik dalam produksi!

Untuk mempelajari lebih lanjut cara memanfaatkan fitur-fitur ini di aplikasi Anda, lihat codelab di bawah:

10. Selamat!

Dalam codelab ini, Anda mempelajari cara melatih model TFLite analisis sentimen dan menerapkannya ke aplikasi seluler Anda menggunakan Firebase. Untuk mempelajari lebih lanjut tentang TFLite dan Firebase, lihat contoh TFLite lainnya dan panduan memulai Firebase.

Apa yang telah kami bahas

  • TensorFlow Lite
  • FirebaseML

Langkah selanjutnya

  • Ukur kecepatan inferensi model Anda dengan Firebase Performance Monitoring.
  • Terapkan model dari Colab langsung ke Firebase melalui Firebase ML Model Management API.
  • Tambahkan mekanisme untuk memungkinkan pengguna memberikan masukan tentang hasil prediksi, dan gunakan Firebase Analytics untuk melacak masukan pengguna.
  • Uji A/B model Rata-rata Word Vector dan model MobileBERT dengan pengujian A/B Firebase.

Belajarlah lagi

Ada pertanyaan?

Laporkan Masalah