1. 總覽
歡迎來到「使用 TensorFlow Lite 和 Firebase 進行文字分類」程式碼研究室。在本程式碼研究室中，您將瞭解如何使用 TensorFlow Lite 和 Firebase，訓練及部署文字分類模型至應用程式。本程式碼研究室以這個 TensorFlow Lite 範例為基礎。
文字分類是指根據文字內容指派標記或類別的程序。這是自然語言處理 (NLP) 的基本工作之一，廣泛應用於情緒分析、主題標籤、垃圾內容偵測和意圖偵測等。
情緒分析是指使用文字分析技術，解讀及分類文字資料中的情緒 (正面、負面和中性)。商家可以透過情緒分析，瞭解顧客在線上對話和意見回饋中，對產品、品牌或服務的情緒。
本教學課程說明如何建構機器學習模型來進行情緒分析，特別是將文字分類為正面或負面。這是二元 (或雙類) 分類的範例，也是一種重要且廣泛適用的機器學習問題。
課程內容
- 使用 TF Lite Model Maker 訓練 TF Lite 情緒分析模型
- 將 TF Lite 模型部署至 Firebase ML，並從應用程式存取模型
- 使用 TF Lite 工作資料庫，將 TF Lite 情緒分析模型整合至應用程式
軟硬體需求
- 最新版 Android Studio。
- 程式碼範例。
- 搭載 Android 5.0 以上版本和 Google Play 服務 9.8 以上版本的測試裝置，或搭載 Google Play 服務 9.8 以上版本的模擬器
- 如果使用裝置，請準備連接線。
您會如何使用本教學課程？
您對建構 Android 應用程式的體驗滿意嗎？
2. 取得程式碼範例
從指令列複製 GitHub 存放區。
$ git clone https://github.com/FirebaseExtended/codelab-textclassification-android.git
如果沒有安裝 Git，也可以從 GitHub 頁面下載範例專案，或按一下這個連結。
3. 匯入範例應用程式
在 Android Studio 中，從範例程式碼下載內容選取 codelab-textclassification-android-master 目錄 ( 
) (依序選取「File」 >「Open」 > .../codelab-textclassification-android-master/start)。
您現在應該已在 Android Studio 中開啟起始專案。
4. 執行範例應用程式
將專案匯入 Android Studio 後，即可首次執行應用程式。連線至 Android 裝置，然後按一下 Android Studio 工具列中的「Run」 ( 
)。
應用程式應會在裝置上啟動。其中只包含簡單的 UI，方便您在後續步驟中整合及測試文字分類模型。此時若嘗試預測情緒，應用程式只會傳回一些虛擬結果。
5. 建立 Firebase 控制台專案
將 Firebase 新增至專案
- 前往 Firebase 控制台。
- 選取「新增專案」。
- 選取或輸入專案名稱。
- 按照 Firebase 控制台中的剩餘設定步驟操作，然後按一下「建立專案」(如果您使用現有的 Google 專案，則為「新增 Firebase」)。
6. 將 Firebase 新增至應用程式
- 在新的專案總覽畫面中，按一下 Android 圖示來啟動設定工作流程。
- 輸入程式碼研究室的套件名稱：
org.tensorflow.lite.codelabs.textclassification
將 google-services.json 檔案新增至應用程式
加入套件名稱並選取「註冊」後，按一下「下載 google-services.json」**取得 Firebase Android 設定檔，然後將 google-services.json 檔案複製到專案的 *app* 目錄中。
在應用程式中新增 google-services 外掛程式
按照 Firebase 控制台的指示更新 build.gradle.kts 檔案，將 Firebase 新增至應用程式。
google-services 外掛程式會使用 google-services.json 檔案，將應用程式設為使用 Firebase。
將專案與 Gradle 檔案同步
為確保應用程式可使用所有依附元件，您應在此時將專案與 Gradle 檔案同步處理。在 Android Studio 工具列中，依序選取「File」>「Sync Project with Gradle Files」。
7. 使用 Firebase 執行應用程式
使用 JSON 檔案設定 google-services 外掛程式後，即可執行 Firebase 應用程式。連線至 Android 裝置，然後按一下 Android Studio 工具列中的「Run」 ( )。
應用程式應會在裝置上啟動。此時，您的應用程式仍應建構成功。
8. 訓練情緒分析模型
我們將使用 TensorFlow Lite Model Maker 訓練文字分類模型，預測特定文字的情緒。
這個步驟會以 Python 筆記本的形式呈現，您可以在 Google Colab 中開啟。您可以選擇「執行階段」>「全部執行」，一次執行所有筆記本。
在 Colab 中開啟
完成這個步驟後，您將擁有可部署至行動應用程式的 TensorFlow Lite 情緒分析模型。
9. 將模型部署至 Firebase ML
將模型部署至 Firebase ML 的主要好處有兩個：
- 我們可以縮減應用程式安裝大小，並只在需要時下載模型
- 模型可以定期更新，且發布週期與整個應用程式不同
您可以透過控制台部署模型，也可以使用 Firebase Admin SDK 以程式輔助方式部署。在本步驟中，我們將透過控制台部署。
首先，開啟 Firebase 控制台，然後點選左側導覽面板中的「機器學習」。如果是第一次開啟，請按一下「開始使用」。然後前往「自訂」，按一下「新增模型」按鈕。
系統出現提示時，請將模型命名為 sentiment_analysis，並上傳您在上一個步驟中從 Colab 下載的檔案。
10. 從 Firebase ML 下載模型
由於 TFLite 模型可能會變得相當大，因此選擇何時從 Firebase 將遠端模型下載到應用程式中，可能是一項棘手的任務。理想情況下，我們希望避免在應用程式啟動時立即載入模型，因為如果模型只用於一項功能，而使用者從未使用該功能，我們就會無故下載大量資料。我們也可以設定下載選項，例如只在連上 Wi-Fi 時擷取模型。如要確保即使沒有網路連線也能使用模型，請務必將模型與應用程式分開打包，做為備份。
為求簡化，我們會移除預設的隨附模型，並在應用程式首次啟動時，一律從 Firebase 下載模型。這樣一來，執行情緒分析時，您就能確保推論作業是使用 Firebase 提供的模型。
在 app/build.gradle.kts 檔案中，新增 Firebase ML 依附元件。
app/build.gradle.kts
找出這則註解：
// TODO 1: Add Firebase ML dependency
然後新增：
implementation(platform("com.google.firebase:firebase-bom:32.0.0"))
implementation("com.google.firebase:firebase-ml-modeldownloader:24.1.2")
Android Studio 要求同步處理專案時，請選擇「立即同步」。
接著，我們來新增一些程式碼，從 Firebase 下載模型。
MainActivity.java
找出這則註解：
// TODO 2: Implement a method to download TFLite model from Firebase
然後新增：
/** Download model from Firebase ML. */
private synchronized void downloadModel(String modelName) {
CustomModelDownloadConditions conditions = new CustomModelDownloadConditions.Builder()
.requireWifi()
.build();
FirebaseModelDownloader.getInstance()
.getModel("sentiment_analysis", DownloadType.LOCAL_MODEL, conditions)
.addOnSuccessListener(model -> {
try {
// TODO 6: Initialize a TextClassifier with the downloaded model
predictButton.setEnabled(true);
} catch (IOException e) {
Log.e(TAG, "Failed to initialize the model. ", e);
Toast.makeText(
MainActivity.this,
"Model initialization failed.",
Toast.LENGTH_LONG)
.show();
predictButton.setEnabled(false);
}
})
.addOnFailureListener(e -> {
Log.e(TAG, "Failed to download the model. ", e);
Toast.makeText(
MainActivity.this,
"Model download failed, please check your connection.",
Toast.LENGTH_LONG)
.show();
}
);
}
接著，在活動的 onCreate 方法中呼叫 downloadModel 方法。
MainActivity.java
找出這則註解：
// TODO 3: Call the method to download TFLite model
然後新增：
downloadModel("sentiment_analysis");
11. 在應用程式中整合模型
TensorFlow Lite 工作程式庫可協助您在應用程式中整合 TensorFlow Lite 模型，只需編寫幾行程式碼即可。我們會使用從 Firebase 下載的 TensorFlow Lite 模型，初始化 NLClassifier 執行個體。接著，我們會使用該模型分類應用程式使用者的文字輸入內容，並在 UI 上顯示結果。
新增依附元件
前往應用程式的 Gradle 檔案，並在應用程式的依附元件中新增 TensorFlow Lite Task Library (Text)。
app/build.gradle
找出這則註解：
// TODO 4: Add TFLite Task API (Text) dependency
然後新增：
implementation("org.tensorflow:tensorflow-lite-task-text:0.3.0")
Android Studio 要求同步處理專案時，請選擇「立即同步」。
初始化文字分類器
接著，我們會使用 Task Library 的 NLClassifier，載入從 Firebase 下載的情緒分析模型。
MainActivity.java
我們來宣告 NLClassifier 例項變數。找出這則註解：
// TODO 5: Define a NLClassifier variable
然後新增：
private NLClassifier textClassifier;
使用從 Firebase 下載的情緒分析模型，初始化 textClassifier 變數。找出這則註解：
// TODO 6: Initialize a TextClassifier with the downloaded model
然後新增：
textClassifier = NLClassifier.createFromFile(model.getFile());
分類文字
設定 textClassifier 執行個體後，您只需呼叫單一方法，即可執行情緒分析。
MainActivity.java
找出這則註解：
// TODO 7: Run sentiment analysis on the input text
然後新增：
List<Category> results = textClassifier.classify(text);
實作後續處理
最後，我們會將模型輸出內容轉換為描述性文字，顯示在畫面上。
MainActivity.java
找出這則註解：
// TODO 8: Convert the result to a human-readable text
移除產生虛擬結果文字的程式碼：
String textToShow = "Dummy classification result.\n";
然後新增：
String textToShow = "Input: " + text + "\nOutput:\n";
for (int i = 0; i < results.size(); i++) {
Category result = results.get(i);
textToShow += String.format(" %s: %s\n", result.getLabel(),
result.getScore());
}
textToShow += "---------\n";
12. 執行最終應用程式
您已將情緒分析模型整合至應用程式，現在來測試一下。連線至 Android 裝置，然後按一下 Android Studio 工具列中的「Run」 ( )。
應用程式應能正確預測你輸入的電影評論所表達的情緒。
13. 運用更多 Firebase 功能強化應用程式
除了代管 TFLite 模型，Firebase 還提供多項功能，可強化機器學習用途：
- Firebase Performance Monitoring，用於評估在使用者裝置上執行的模型推論速度。
- Firebase Analytics 可評估使用者反應，藉此衡量模型在正式環境中的成效。
- Firebase A/B 測試，可測試多個版本的模型
- 還記得我們稍早訓練了兩個版本的 TFLite 模型嗎？A/B 測試是找出實際工作環境中成效較佳版本的好方法！
如要進一步瞭解如何在應用程式中運用這些功能，請參閱下列程式碼研究室：
14. 恭喜！
在本程式碼研究室中，您已瞭解如何訓練情緒分析 TFLite 模型，並使用 Firebase 將模型部署至行動應用程式。如要進一步瞭解 TFLite 和 Firebase，請參閱其他 TFLite 範例和 Firebase 入門指南。
涵蓋內容
- TensorFlow Lite
- Firebase ML
後續步驟
- 使用 Firebase Performance Monitoring 評估模型推論速度。
- 透過 Firebase ML 模型管理 API，直接從 Colab 將模型部署至 Firebase。
- 新增機制，讓使用者針對預測結果提供意見回饋，並使用 Firebase Analytics 追蹤使用者意見回饋。
- 使用 Firebase A/B 測試，對 Average Word Vector 模型和 MobileBERT 模型進行 A/B 測試。