Добавьте классификацию текста на устройстве в свое приложение с помощью TensorFlow Lite и Firebase — iOS Codelab

1. Обзор

классификация_result_screen.png

Добро пожаловать в классификацию текста с помощью TensorFlow Lite и лаборатории кода Firebase. В этой лаборатории кода вы узнаете, как использовать TensorFlow Lite и Firebase для обучения и развертывания модели классификации текста в вашем приложении. Эта кодовая лаборатория основана на этом примере TensorFlow Lite.

Классификация текста — это процесс присвоения тегов или категорий тексту в соответствии с его содержимым. Это одна из фундаментальных задач обработки естественного языка (NLP) с широкими приложениями, такими как анализ настроений, маркировка тем, обнаружение спама и обнаружение намерений.

Анализ настроений — это интерпретация и классификация эмоций (положительных, отрицательных и нейтральных) в текстовых данных с использованием методов анализа текста. Анализ настроений позволяет компаниям определять отношение клиентов к продуктам, брендам или услугам в онлайн-разговорах и отзывах.

В этом руководстве показано, как построить модель машинного обучения для анализа настроений, в частности, классифицировать текст как положительный или отрицательный. Это пример бинарной (или двухклассовой) классификации — важной и широко применимой задачи машинного обучения.

Что вы узнаете

  • Обучение модели анализа настроений TF Lite с помощью TF Lite Model Maker
  • Развертывайте модели TF Lite в Firebase ML и получайте к ним доступ из своего приложения.
  • Отслеживайте отзывы пользователей, чтобы измерить точность модели с помощью Firebase Analytics.
  • Производительность модели профиля с помощью Firebase Performance Monitoring
  • Выберите, какая из нескольких развернутых моделей загружается через Remote Config.
  • Экспериментируйте с различными моделями с помощью A/B-тестирования Firebase.

Что вам понадобится

  • Xcode 11 (или выше)
  • CocoaPods 1.9.1 (или выше)

Как вы будете использовать этот урок?

Прочтите только до конца Прочитайте его и выполните упражнения.

Как бы вы оценили свой опыт создания приложений для Android?

Новичок Средний Опытный

2. Создайте консольный проект Firebase.

Добавьте Firebase в проект

  1. Перейдите в консоль Firebase .
  2. Выберите « Создать новый проект» и назовите свой проект «Firebase ML iOS Codelab».

3. Получите образец проекта

Загрузите код

Начните с клонирования примера проекта и запуска pod update в каталоге проекта:

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

Если у вас не установлен git, вы также можете скачать пример проекта со страницы GitHub или нажав на эту ссылку . Загрузив проект, запустите его в Xcode и поиграйтесь с классификацией текста, чтобы понять, как он работает.

Настройте Firebase

Следуйте документации , чтобы создать новый проект Firebase. Получив проект, загрузите файл GoogleService-Info.plist вашего проекта из консоли Firebase и перетащите его в корень проекта Xcode.

9efb62a92f27e939.png

Добавьте Firebase в свой подфайл и запустите установку модуля.

pod 'FirebaseMLModelDownloader', '9.3.0-beta'

В методе didFinishLaunchingWithOptions вашего AppDelegate импортируйте Firebase в верхней части файла.

import FirebaseCore

И добавьте вызов для настройки Firebase.

FirebaseApp.configure()

Запустите проект еще раз, чтобы убедиться, что приложение настроено правильно и не происходит сбой при запуске.

4. Обучите модель анализа настроений

Мы будем использовать TensorFlow Lite Model Maker для обучения модели классификации текста для прогнозирования тональности данного текста.

Этот шаг представлен в виде блокнота Python, который вы можете открыть в Google Colab.

Открыть в Колабе

После завершения этого шага у вас будет модель анализа настроений TensorFlow Lite, готовая к развертыванию в мобильном приложении.

5. Разверните модель в Firebase ML.

Развертывание модели в Firebase ML полезно по двум основным причинам:

  1. Мы можем сохранить небольшой размер установки приложения и загружать модель только при необходимости.
  2. Модель может обновляться регулярно и с другим циклом выпуска, чем все приложение.

Модель можно развернуть либо через консоль, либо программно с помощью Firebase Admin SDK. На этом этапе мы выполним развертывание через консоль.

Сначала откройте консоль Firebase и нажмите «Машинное обучение» на левой навигационной панели. Нажмите «Начать», если вы открываете первый раз. Затем перейдите к «Пользовательский» и нажмите кнопку «Добавить модель».

При появлении запроса назовите модель sentiment_analysis и загрузите файл, который вы скачали из Colab на предыдущем шаге.

3c3c50e6ef12b3b.png

6. Загрузите модель из Firebase ML.

Выбор времени загрузки удаленной модели из Firebase в ваше приложение может оказаться непростым делом, поскольку модели TFLite могут вырасти относительно большими. В идеале мы хотим избежать загрузки модели сразу при запуске приложения, поскольку, если наша модель используется только для одной функции, а пользователь никогда не использует эту функцию, мы без причины загрузим значительный объем данных. Мы также можем установить параметры загрузки, например, загрузку моделей только при подключении к Wi-Fi. Если вы хотите, чтобы модель была доступна даже без подключения к сети, важно также связать ее без приложения в качестве резервной копии.

Для простоты мы удалим связанную модель по умолчанию и всегда будем загружать модель из Firebase при первом запуске приложения. Таким образом, при выполнении анализа настроений вы можете быть уверены, что вывод выполняется с использованием модели, предоставленной Firebase.

В верхней части ModelLoader.swift импортируйте модуль Firebase.

import FirebaseCore
import FirebaseMLModelDownloader

Затем реализуйте следующие методы.

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))
          }
  }
}

В viewDidLoad ViewController.swift замените вызов loadModel() нашим новым методом загрузки модели.

// 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
}

Перезапустите приложение. Через несколько секунд вы должны увидеть журнал в Xcode, указывающий, что удаленная модель успешно загружена. Попробуйте ввести текст и убедитесь, что поведение приложения не изменилось.

7. Интегрируйте модель в свое приложение.

Библиотека задач Tensorflow Lite помогает интегрировать модели TensorFlow Lite в ваше приложение с помощью всего лишь нескольких строк кода. Мы инициализируем экземпляр TFLNLClassifier используя модель TensorFlow Lite, загруженную из Firebase. Затем мы будем использовать его для классификации текстового ввода от пользователей приложения и отображения результата в пользовательском интерфейсе.

Добавьте зависимость

Перейдите в подфайл приложения и добавьте библиотеку задач TensorFlow Lite (текст) в зависимости приложения. Обязательно добавьте зависимость в target 'TextClassification' .

pod 'TensorFlowLiteTaskText', '~> 0.2.0'

Запустите pod install , чтобы установить новую зависимость.

Инициализировать классификатор текста

Затем мы загрузим модель анализа настроений, загруженную из Firebase, с помощью NLClassifier библиотеки задач.

ViewController.swift

Давайте объявим переменную экземпляра TFLNLClassifier. В верхней части файла импортируйте новую зависимость:

import TensorFlowLiteTaskText

Найдите этот комментарий над методом, который мы изменили на последнем шаге:

// TODO: Add a TFLNLClassifier property.

Замените TODO следующим кодом:

private var classifier: TFLNLClassifier?

Инициализируйте переменную textClassifier с помощью модели анализа настроений, загруженной из Firebase. Найдите этот комментарий, который мы добавили на последнем шаге:

// TODO: Initialize an NLClassifier from the downloaded model

Замените TODO следующим кодом:

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

Классифицировать текст

После настройки экземпляра classifier вы можете запустить анализ настроений с помощью одного вызова метода.

ViewController.swift

В методе classify(text:) найдите комментарий TODO:

// TODO: Run sentiment analysis on the input text

Замените комментарий следующим кодом:

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. Запустите финальное приложение.

Вы интегрировали модель анализа настроений в приложение, давайте ее протестируем. Подключите устройство iOS и нажмите «Выполнить» ( выполнить.png ) на панели инструментов Xcode.

Приложение должно быть в состоянии правильно предсказать настроение введенной вами рецензии на фильм.

классификация_result_screen.png

9. Добавьте в приложение больше функций Firebase.

Помимо размещения ваших моделей TFLite, Firebase предоставляет несколько других функций для улучшения ваших сценариев использования машинного обучения:

  • Мониторинг производительности Firebase для измерения скорости вывода вашей модели, работающей на устройстве пользователя.
  • Firebase Analytics позволяет оценить, насколько хорошо ваша модель работает в рабочей среде, путем измерения реакции пользователя.
  • Firebase A/B-тестирование для тестирования нескольких версий вашей модели.
  • Помните, ранее мы обучали две версии нашей модели TFLite? A/B-тестирование — хороший способ узнать, какая версия работает лучше в рабочей среде!

Чтобы узнать больше о том, как использовать эти функции в вашем приложении, ознакомьтесь с кодовыми лабораториями ниже:

10. Поздравляем!

В этой лабораторной работе вы узнали, как обучить модель анализа настроений TFLite и развернуть ее в своем мобильном приложении с помощью Firebase. Чтобы узнать больше о TFLite и Firebase, ознакомьтесь с другими примерами TFLite и руководствами по началу работы с Firebase.

Что мы рассмотрели

  • ТензорФлоу Лайт
  • Firebase ML

Следующие шаги

  • Измерьте скорость вывода вашей модели с помощью Firebase Performance Monitoring.
  • Разверните модель из Colab непосредственно в Firebase через API управления моделями Firebase ML.
  • Добавьте механизм, позволяющий пользователям оставлять отзывы о результате прогноза, и используйте Firebase Analytics для отслеживания отзывов пользователей.
  • A/B-тестирование векторной модели среднего слова и модели MobileBERT с помощью A/B-тестирования Firebase.

Узнать больше

Есть вопрос?

Сообщить о проблемах

,

1. Обзор

классификация_result_screen.png

Добро пожаловать в классификацию текста с помощью TensorFlow Lite и лаборатории кода Firebase. В этой лаборатории вы узнаете, как использовать TensorFlow Lite и Firebase для обучения и развертывания модели классификации текста в вашем приложении. Эта кодовая лаборатория основана на этом примере TensorFlow Lite.

Классификация текста — это процесс присвоения тегов или категорий тексту в соответствии с его содержимым. Это одна из фундаментальных задач обработки естественного языка (NLP) с широкими приложениями, такими как анализ настроений, маркировка тем, обнаружение спама и обнаружение намерений.

Анализ настроений — это интерпретация и классификация эмоций (положительных, отрицательных и нейтральных) в текстовых данных с использованием методов анализа текста. Анализ настроений позволяет компаниям определять отношение клиентов к продуктам, брендам или услугам в онлайн-разговорах и отзывах.

В этом руководстве показано, как построить модель машинного обучения для анализа настроений, в частности, классифицировать текст как положительный или отрицательный. Это пример бинарной (или двухклассовой) классификации — важной и широко применимой задачи машинного обучения.

Что вы узнаете

  • Обучение модели анализа настроений TF Lite с помощью TF Lite Model Maker
  • Развертывайте модели TF Lite в Firebase ML и получайте к ним доступ из своего приложения.
  • Отслеживайте отзывы пользователей, чтобы измерить точность модели с помощью Firebase Analytics.
  • Производительность модели профиля с помощью Firebase Performance Monitoring
  • Выберите, какая из нескольких развернутых моделей загружается через Remote Config.
  • Экспериментируйте с различными моделями с помощью A/B-тестирования Firebase.

Что вам понадобится

  • Xcode 11 (или выше)
  • CocoaPods 1.9.1 (или выше)

Как вы будете использовать этот урок?

Прочтите только до конца Прочитайте его и выполните упражнения.

Как бы вы оценили свой опыт создания приложений для Android?

Новичок Средний Опытный

2. Создайте консольный проект Firebase.

Добавьте Firebase в проект

  1. Перейдите в консоль Firebase .
  2. Выберите « Создать новый проект» и назовите свой проект «Firebase ML iOS Codelab».

3. Получите образец проекта

Загрузите код

Начните с клонирования примера проекта и запуска pod update в каталоге проекта:

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

Если у вас не установлен git, вы также можете скачать пример проекта со страницы GitHub или нажав на эту ссылку . Загрузив проект, запустите его в Xcode и поиграйтесь с классификацией текста, чтобы понять, как он работает.

Настройте Firebase

Следуйте документации , чтобы создать новый проект Firebase. Получив проект, загрузите файл GoogleService-Info.plist вашего проекта из консоли Firebase и перетащите его в корень проекта Xcode.

9efb62a92f27e939.png

Добавьте Firebase в свой подфайл и запустите установку модуля.

pod 'FirebaseMLModelDownloader', '9.3.0-beta'

В методе didFinishLaunchingWithOptions вашего AppDelegate импортируйте Firebase в верхней части файла.

import FirebaseCore

И добавьте вызов для настройки Firebase.

FirebaseApp.configure()

Запустите проект еще раз, чтобы убедиться, что приложение настроено правильно и не происходит сбой при запуске.

4. Обучите модель анализа настроений

Мы будем использовать TensorFlow Lite Model Maker для обучения модели классификации текста для прогнозирования тональности данного текста.

Этот шаг представлен в виде блокнота Python, который вы можете открыть в Google Colab.

Открыть в Колабе

После завершения этого шага у вас будет модель анализа настроений TensorFlow Lite, готовая к развертыванию в мобильном приложении.

5. Разверните модель в Firebase ML.

Развертывание модели в Firebase ML полезно по двум основным причинам:

  1. Мы можем сохранить небольшой размер установки приложения и загружать модель только при необходимости.
  2. Модель может обновляться регулярно и с другим циклом выпуска, чем все приложение.

Модель можно развернуть либо через консоль, либо программно с помощью Firebase Admin SDK. На этом этапе мы выполним развертывание через консоль.

Сначала откройте консоль Firebase и нажмите «Машинное обучение» на левой навигационной панели. Нажмите «Начать», если вы открываете первый раз. Затем перейдите к «Пользовательский» и нажмите кнопку «Добавить модель».

При появлении запроса назовите модель sentiment_analysis и загрузите файл, который вы скачали из Colab на предыдущем шаге.

3c3c50e6ef12b3b.png

6. Загрузите модель из Firebase ML.

Выбор времени загрузки удаленной модели из Firebase в ваше приложение может оказаться непростым делом, поскольку модели TFLite могут вырасти относительно большими. В идеале мы хотим избежать загрузки модели сразу при запуске приложения, поскольку, если наша модель используется только для одной функции, а пользователь никогда не использует эту функцию, мы без причины загрузим значительный объем данных. Мы также можем установить параметры загрузки, например, загрузку моделей только при подключении к Wi-Fi. Если вы хотите, чтобы модель была доступна даже без подключения к сети, важно также связать ее без приложения в качестве резервной копии.

Для простоты мы удалим связанную модель по умолчанию и всегда будем загружать модель из Firebase при первом запуске приложения. Таким образом, при выполнении анализа настроений вы можете быть уверены, что вывод выполняется с использованием модели, предоставленной Firebase.

В верхней части ModelLoader.swift импортируйте модуль Firebase.

import FirebaseCore
import FirebaseMLModelDownloader

Затем реализуйте следующие методы.

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))
          }
  }
}

В viewDidLoad ViewController.swift замените вызов loadModel() нашим новым методом загрузки модели.

// 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
}

Перезапустите приложение. Через несколько секунд вы должны увидеть журнал в Xcode, указывающий, что удаленная модель успешно загружена. Попробуйте ввести текст и убедитесь, что поведение приложения не изменилось.

7. Интегрируйте модель в свое приложение.

Библиотека задач Tensorflow Lite помогает интегрировать модели TensorFlow Lite в ваше приложение с помощью всего лишь нескольких строк кода. Мы инициализируем экземпляр TFLNLClassifier , используя модель TensorFlow Lite, загруженную из Firebase. Затем мы будем использовать его для классификации текстового ввода от пользователей приложения и отображения результата в пользовательском интерфейсе.

Добавьте зависимость

Перейдите в подфайл приложения и добавьте библиотеку задач TensorFlow Lite (текст) в зависимости приложения. Обязательно добавьте зависимость в target 'TextClassification' .

pod 'TensorFlowLiteTaskText', '~> 0.2.0'

Запустите pod install , чтобы установить новую зависимость.

Инициализировать классификатор текста

Затем мы загрузим модель анализа настроений, загруженную из Firebase, с помощью NLClassifier библиотеки задач.

ViewController.swift

Давайте объявим переменную экземпляра TFLNLClassifier. В верхней части файла импортируйте новую зависимость:

import TensorFlowLiteTaskText

Найдите этот комментарий над методом, который мы изменили на последнем шаге:

// TODO: Add a TFLNLClassifier property.

Замените TODO следующим кодом:

private var classifier: TFLNLClassifier?

Инициализируйте переменную textClassifier с помощью модели анализа настроений, загруженной из Firebase. Найдите этот комментарий, который мы добавили на последнем шаге:

// TODO: Initialize an NLClassifier from the downloaded model

Замените TODO следующим кодом:

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

Классифицировать текст

После настройки экземпляра classifier вы можете запустить анализ настроений с помощью одного вызова метода.

ViewController.swift

В методе classify(text:) найдите комментарий TODO:

// TODO: Run sentiment analysis on the input text

Замените комментарий следующим кодом:

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. Запустите финальное приложение.

Вы интегрировали модель анализа настроений в приложение, давайте ее протестируем. Подключите устройство iOS и нажмите «Выполнить» ( выполнить.png ) на панели инструментов Xcode.

Приложение должно быть в состоянии правильно предсказать настроение введенной вами рецензии на фильм.

классификация_result_screen.png

9. Добавьте в приложение больше функций Firebase.

Помимо размещения ваших моделей TFLite, Firebase предоставляет несколько других функций для повышения эффективности использования машинного обучения:

  • Мониторинг производительности Firebase для измерения скорости вывода вашей модели, работающей на устройстве пользователя.
  • Firebase Analytics позволяет оценить, насколько хорошо ваша модель работает в рабочей среде, путем измерения реакции пользователя.
  • Firebase A/B-тестирование для тестирования нескольких версий вашей модели.
  • Помните, ранее мы обучали две версии нашей модели TFLite? A/B-тестирование — хороший способ узнать, какая версия лучше работает в рабочей среде!

Чтобы узнать больше о том, как использовать эти функции в вашем приложении, ознакомьтесь с кодовыми лабораториями ниже:

10. Поздравляем!

В этой лабораторной работе вы узнали, как обучить модель анализа настроений TFLite и развернуть ее в своем мобильном приложении с помощью Firebase. Чтобы узнать больше о TFLite и Firebase, ознакомьтесь с другими примерами TFLite и руководствами по началу работы с Firebase.

Что мы рассмотрели

  • ТензорФлоу Лайт
  • Firebase ML

Следующие шаги

  • Измерьте скорость вывода вашей модели с помощью Firebase Performance Monitoring.
  • Разверните модель из Colab непосредственно в Firebase через API управления моделями Firebase ML.
  • Добавьте механизм, позволяющий пользователям оставлять отзывы о результате прогноза, и используйте Firebase Analytics для отслеживания отзывов пользователей.
  • A/B-тестирование векторной модели среднего слова и модели MobileBERT с помощью A/B-тестирования Firebase.

Узнать больше

Есть вопрос?

Сообщить о проблемах