一、概述
歡迎使用 TensorFlow Lite 和 Firebase 代碼實驗室進行文本分類。在此 Codelab 中，您將學習如何使用 TensorFlow Lite 和 Firebase 來訓練文本分類模型並將其部署到您的應用中。此代碼實驗室基於此 TensorFlow Lite示例。
文本分類是根據文本內容為文本分配標籤或類別的過程。它是自然語言處理 (NLP) 的基本任務之一，具有廣泛的應用，例如情感分析、主題標籤、垃圾郵件檢測和意圖檢測。
情緒分析是使用文本分析技術對文本數據中的情緒（正面、負面和中性）進行解釋和分類。情緒分析使企業能夠在在線對話和反饋中識別客戶對產品、品牌或服務的情緒。
本教程展示瞭如何構建用於情感分析的機器學習模型，特別是將文本分類為正面或負面。這是二分類或二分類的示例，這是一種重要且廣泛適用的機器學習問題。
你會學到什麼
- 使用 TF Lite Model Maker 訓練 TF Lite 情感分析模型
- 將 TF Lite 模型部署到 Firebase ML 並從您的應用訪問它們
- 使用 TF Lite 任務庫將 TF Lite 情緒分析模型集成到您的應用程序中
你需要什麼
- Android Studio 版本 4.0+。
- 示例代碼。
- 具有 Android 4.4+ 和 Google Play 服務 9.8 或更高版本的測試設備，或具有 Google Play 服務 9.8 或更高版本的模擬器
- 如果使用設備，請使用連接電纜。
您將如何使用本教程？
您對構建 Android 應用程序的體驗有何評價？
2.獲取示例代碼
從命令行克隆 GitHub 存儲庫。
$ git clone https://github.com/FirebaseExtended/codelab-textclassification-android.git
如果您沒有安裝 git，您也可以從其 GitHub 頁面或單擊此鏈接下載示例項目。
3. 導入入門應用
在 Android Studio 中，選擇codelab-textclassification-android-master目錄（ 
）從示例代碼下載（文件>打開> .../codelab-textclassification-android-master/start）。
您現在應該在 Android Studio 中打開了啟動項目。
4. 運行入門應用
現在您已將項目導入 Android Studio，您已準備好首次運行該應用程序。連接您的 Android 設備，然後單擊運行( 
) 在 Android Studio 工具欄中。
該應用程序應在您的設備上啟動。它只包含一個簡單的 UI，可以在接下來的步驟中輕鬆集成和測試文本分類模型。此時，如果您嘗試預測情緒，應用程序只會返回一些虛擬結果。
5. 創建 Firebase 控制台項目
將 Firebase 添加到項目中
- 轉到Firebase 控制台。
- 選擇添加項目。
- 選擇或輸入項目名稱。
- 按照 Firebase 控制台中的其餘設置步驟操作，然後點擊創建項目（或添加 Firebase，如果您使用的是現有的 Google 項目）。
6. 將 Firebase 添加到應用程序
- 在新項目的概覽屏幕中，單擊 Android 圖標以啟動設置工作流程。
- 輸入codelab的包名：
org.tensorflow.lite.codelabs.textclassification
將 google-services.json 文件添加到您的應用
添加包名稱並選擇註冊**後，單擊下載 google-services.json** 以獲取您的 Firebase Android 配置文件，然後將google-services.json文件複製到項目中的 * app * 目錄中。
將 google-services 插件添加到您的應用
按照 Firebase 控制台上的說明更新build.gradle文件，將 Firebase 添加到您的應用中。
google-services 插件使用 google-services.json 文件將您的應用程序配置為使用 Firebase。
將您的項目與 gradle 文件同步
為確保您的應用程序可以使用所有依賴項，此時您應該將項目與 gradle 文件同步。從 Android Studio 工具欄中選擇File > Sync Project with Gradle Files 。
7. 使用 Firebase 運行應用
現在您已經使用 JSON 文件配置了google-services插件，您可以使用 Firebase 運行該應用程序了。連接您的 Android 設備，然後單擊運行( ) 在 Android Studio 工具欄中。
該應用程序應在您的設備上啟動。此時，您的應用程序應該仍然可以成功構建。
8. 訓練情感分析模型
我們將使用 TensorFlow Lite Model Maker 訓練文本分類模型來預測給定文本的情緒。
此步驟以 Python 筆記本的形式呈現，您可以在 Google Colab 中打開它。您可以選擇Runtime > Run all以一次執行所有 notebook。
在 Colab 中打開
完成此步驟後，您將擁有一個可部署到移動應用程序的 TensorFlow Lite 情感分析模型。
9. 將模型部署到 Firebase ML
將模型部署到 Firebase ML 非常有用，主要有兩個原因：
- 我們可以保持應用程序安裝大小較小，僅在需要時下載模型
- 該模型可以定期更新，並且發布週期與整個應用程序不同
該模型可以通過控制台部署，也可以使用 Firebase Admin SDK 以編程方式部署。在這一步中，我們將通過控制台進行部署。
首先，打開Firebase 控制台並單擊左側導航面板中的機器學習。如果您是第一次打開，請單擊“開始”。然後導航到“自定義”並單擊“添加模型”按鈕。
出現提示時，將模型命名為 Sentiment_analysis 並上傳您在上一步中從sentiment_analysis下載的文件。
10. 從 Firebase ML 下載模型
選擇何時將遠程模型從 Firebase 下載到您的應用中可能會很棘手，因為 TFLite 模型可能會變得相對較大。理想情況下，我們希望避免在應用程序啟動時立即加載模型，因為如果我們的模型僅用於一個功能並且用戶從不使用該功能，我們將無緣無故下載大量數據。我們還可以設置下載選項，例如僅在連接到 wifi 時獲取模型。如果您想確保模型在沒有網絡連接的情況下也可用，那麼在沒有應用程序的情況下捆綁它作為備份也很重要。
為簡單起見，我們將刪除默認捆綁模型，並始終在應用首次啟動時從 Firebase 下載模型。這樣，在運行情緒分析時，您可以確保推理正在使用 Firebase 提供的模型運行。
在app/build.gradle文件中，添加 Firebase 機器學習依賴項。
應用程序/build.gradle
找到這條評論：
// TODO 1: Add Firebase ML dependency
然後加：
implementation 'com.google.firebase:firebase-ml-model-interpreter:22.0.3'
當 Android Studio 要求同步您的項目時，請選擇Sync Now 。
然後讓我們添加一些代碼來從 Firebase 下載模型。
MainActivity.java
找到這條評論：
// TODO 2: Implement a method to download TFLite model from Firebase
然後加：
/** Download model from Firebase ML. */
private synchronized void downloadModel(String modelName) {
final FirebaseCustomRemoteModel remoteModel =
new FirebaseCustomRemoteModel
.Builder(modelName)
.build();
FirebaseModelDownloadConditions conditions =
new FirebaseModelDownloadConditions.Builder()
.requireWifi()
.build();
final FirebaseModelManager firebaseModelManager =
FirebaseModelManager.getInstance();
firebaseModelManager
.download(remoteModel, conditions)
.continueWithTask(task ->
firebaseModelManager.getLatestModelFile(remoteModel)
)
.continueWith(executorService, (Continuation<File, Void>) task -> {
// Initialize a text classifier instance with the model
File modelFile = task.getResult();
// TODO 6: Initialize a TextClassifier with the downloaded model
// Enable predict button
predictButton.setEnabled(true);
return null;
})
.addOnFailureListener(e -> {
Log.e(TAG, "Failed to download and initialize the model. ", e);
Toast.makeText(
MainActivity.this,
"Model download failed, please check your connection.",
Toast.LENGTH_LONG)
.show();
predictButton.setEnabled(false);
});
}
接下來，在 Activity 的onCreate方法中調用downloadModel方法。
MainActivity.java
找到這條評論：
// TODO 3: Call the method to download TFLite model
然後加：
downloadModel("sentiment_analysis");
11. 將模型集成到您的應用程序中
TensorFlow Lite 任務庫可幫助您通過幾行代碼將 TensorFlow Lite 模型集成到您的應用程序中。我們將使用從 Firebase 下載的 TensorFlow Lite 模型初始化NLClassifier實例。然後我們將使用它對來自應用程序用戶的文本輸入進行分類，並將結果顯示在 UI 上。
添加依賴
轉到應用的 Gradle 文件並在應用的依賴項中添加 TensorFlow Lite 任務庫（文本）。
應用程序/build.gradle
找到這條評論：
// TODO 4: Add TFLite Task API (Text) dependency
然後加：
implementation 'org.tensorflow:tensorflow-lite-task-text:0.0.0-nightly'
當 Android Studio 要求同步您的項目時，請選擇Sync Now 。
初始化一個文本分類器
然後我們將使用任務庫的NLClassifier加載從 Firebase 下載的情緒分析模型。
MainActivity.java
讓我們聲明一個 NLClassifier 實例變量。找到這條評論：
// TODO 5: Define a NLClassifier variable
然後加：
private NLClassifier textClassifier;
使用從 Firebase 下載的情緒分析模型初始化textClassifier變量。找到這條評論：
// TODO 6: Initialize a TextClassifier with the downloaded model
然後加：
textClassifier = NLClassifier.createFromFile(modelFile);
分類文本
設置textClassifier實例後，您可以使用單個方法調用運行情緒分析。
MainActivity.java
找到這條評論：
// TODO 7: Run sentiment analysis on the input text
然後加：
List<Category> results = textClassifier.classify(text);
實施後處理
最後，我們將模型的輸出轉換為描述性文本以顯示在屏幕上。
MainActivity.java
找到這條評論：
// TODO 8: Convert the result to a human-readable text
刪除生成虛擬結果文本的代碼：
String textToShow = "Dummy classification result.\n";
然後加：
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. 運行最終應用
您已將情緒分析模型集成到應用程序中，讓我們對其進行測試。連接您的 Android 設備，然後單擊運行( ) 在 Android Studio 工具欄中。
該應用程序應該能夠正確預測您輸入的電影評論的情緒。
13. 使用更多 Firebase 功能啟動應用程序
除了託管您的 TFLite 模型，Firebase 還提供了一些其他功能來增強您的機器學習用例：
- Firebase 性能監控可測量您在用戶設備上運行的模型推理速度。
- Firebase Analytics 通過衡量用戶反應來衡量您的模型在生產中的表現。
- Firebase A/B 測試，用於測試模型的多個版本
- 你還記得我們之前訓練了兩個版本的 TFLite 模型嗎？ A/B 測試是找出哪個版本在生產中表現更好的好方法！
要詳細了解如何在您的應用中利用這些功能，請查看以下代碼實驗室：
14. 恭喜！
在此 Codelab 中，您學習瞭如何訓練情緒分析 TFLite 模型並使用 Firebase 將其部署到您的移動應用程序中。要了解有關 TFLite 和 Firebase 的更多信息，請查看其他 TFLite示例和 Firebase入門指南。
我們涵蓋的內容
- TensorFlow 精簡版
- Firebase 機器學習
下一步
- 使用 Firebase 性能監控衡量您的模型推理速度。
- 通過 Firebase ML 模型管理 API 將模型從 Colab 直接部署到 Firebase。
- 添加允許用戶對預測結果進行反饋的機制，並使用 Firebase Analytics 跟踪用戶反饋。
- 使用 Firebase A/B 測試對平均詞向量模型和 MobileBERT 模型進行 A/B 測試。