使用 TensorFlow Lite 模型將段落分類至預先定義的群組。
開始使用
如果您是 TensorFlow Lite 新手，且使用 Android 系統，建議您瀏覽 TensorFLow Lite Task Library 指南，只需幾行程式碼，即可整合文字分類模型。您也可以使用 TensorFlow Lite Interpreter Java API 整合模型。
下方的 Android 範例示範了 lib_task_api 和 lib_interpreter 這兩種方法的實作方式。
如果您使用的平台不是 Android，或是您已熟悉 TensorFlow Lite API，可以下載我們的入門文字分類模型。
運作方式
文字分類會根據段落內容，將段落分類至預先定義的群組。
這個預先訓練的模型會預測段落的情感是正面還是負面。此模型在 Mass 等人提供的 Large Movie Review Dataset v1.0 資料集上訓練而成，其中包含標示為正面或負面的 IMDB 電影評論。
以下是使用模型分類段落的步驟
- 將段落標記化，並使用預先定義的詞彙表將其轉換為字詞 ID 清單。
- 將清單饋送至 TensorFlow Lite 模型。
- 從模型輸出取得段落為正面或負面的機率。
注意
- 僅支援英文。
- 這個模型在電影評論資料集上訓練而成，因此在分類其他領域的文字時，準確度可能會降低。
效能基準
效能基準數字是使用此處說明的工具產生。
| 模型名稱 | 模型大小 | 裝置 | CPU |
|---|---|---|---|
| 文字分類 | 0.6 Mb | Pixel 3 (Android 10) | 0.05 毫秒* |
| Pixel 4 (Android 10) | 0.05 毫秒* | ||
| iPhone XS (iOS 12.4.1) | 0.025 毫秒** |
* 使用 4 個執行緒。
** iPhone 上使用 2 個執行緒，以獲得最佳效能結果。
範例輸出
| 文字 | 負面 (0) | 正面 (1) |
|---|---|---|
| 這是我近年來看過最好看的電影。強烈推薦！ | 25.3% | 74.7% |
| 浪費我的時間。 | 72.5% | 27.5% |
使用您的訓練資料集
按照這個教學課程，套用這裡使用的相同技術，使用您自己的資料集訓練文字分類模型。有了正確的資料集，您就可以建立模型，用於文件分類或有害留言偵測等用途。