本頁面由 Cloud Translation API 翻譯而成。

使用 TensorFlow Lite 和 Firebase 為您的應用添加設備上文本分類 - iOS Codelab

1. 概述

分類結果屏幕.png

歡迎來到使用 TensorFlow Lite 和 Firebase 進行文本分類 Codelab。在此 Codelab 中，您將學習如何使用 TensorFlow Lite 和 Firebase 訓練文本分類模型並將其部署到您的應用。此 Codelab 基於此 TensorFlow Lite示例。

文本分類是根據文本內容為其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、主題標記、垃圾郵件檢測和意圖檢測。

情感分析是使用文本分析技術對文本數據中的情感（積極、消極和中性）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。這是二元分類（或二類分類）的一個示例，是一種重要且廣泛適用的機器學習問題。

你將學到什麼

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 Firebase Analytics 跟踪用戶反饋以衡量模型準確性
通過 Firebase 性能監控分析模型性能
選擇通過遠程配置加載多個部署模型中的哪一個
通過 Firebase A/B 測試嘗試不同的模型

你需要什麼

Xcode 11（或更高版本）
CocoaPods 1.9.1（或更高版本）

您將如何使用本教程？

僅通讀一遍

閱讀並完成練習

您如何評價您構建 Android 應用程序的體驗？

新手

中間的

精通

2.創建Firebase控制台項目

將 Firebase 添加到項目中

轉到Firebase 控制台。
選擇“創建新項目”並將您的項目命名為“Firebase ML iOS Codelab”。

3. 獲取示例項目

下載代碼

首先克隆示例項目並在項目目錄中運行pod update ：

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

如果您沒有安裝 git，您還可以從其 GitHub 頁面或單擊此鏈接下載示例項目。下載該項目後，在 Xcode 中運行它並使用文本分類來了解它的工作原理。

設置 Firebase

按照文檔創建新的 Firebase 項目。獲得項目後，從Firebase 控制台下載項目的GoogleService-Info.plist文件並將其拖到 Xcode 項目的根目錄。

將 Firebase 添加到您的 Podfile 並運行 pod install。

pod 'FirebaseMLModelDownloader', '9.3.0-beta'

在AppDelegate的didFinishLaunchingWithOptions方法中，在文件頂部導入 Firebase

import FirebaseCore

並添加一個調用來配置 Firebase。

FirebaseApp.configure()

再次運行項目以確保應用程序配置正確並且在啟動時不會崩潰。

4. 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 筆記本形式呈現，您可以在 Google Colab 中打開。

在 Colab 中打開

完成此步驟後，您將擁有一個可以部署到移動應用程序的 TensorFlow Lite 情感分析模型。

5. 將模型部署到 Firebase ML

將模型部署到 Firebase ML 非常有用，主要原因有兩個：

我們可以保持應用程序安裝較小，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。在此步驟中，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sentiment_analysis並上傳您在上一步中從 Colab 下載的文件。

6. 從 Firebase ML 下載模型

選擇何時將遠程模型從 Firebase 下載到您的應用程序中可能很棘手，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項功能並且用戶從不使用該功能，那麼我們將無緣無故地下載大量數據。我們還可以設置下載選項，例如僅在連接到 WiFi 時獲取模型。如果您想確保模型即使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將其捆綁作為備份也很重要。

為了簡單起見，我們將刪除默認的捆綁模型，並在應用首次啟動時始終從 Firebase 下載模型。這樣，在運行情感分析時，您可以確保推理是使用 Firebase 提供的模型運行的。

在ModelLoader.swift的頂部，導入 Firebase 模塊。

import FirebaseCore
import FirebaseMLModelDownloader

然後實施以下方法。

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))
          }
  }
}

在ViewController.swift的viewDidLoad中，用我們的新模型下載方法替換對loadModel()的調用。

// 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
}

重新運行您的應用程序。幾秒鐘後，您應該在 Xcode 中看到一條日誌，指示遠程模型已成功下載。嘗試輸入一些文本並確認應用程序的行為沒有改變。

7. 將模型集成到您的應用程序中

Tensorflow Lite 任務庫可幫助您只需幾行代碼即可將 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TFLNLClassifier實例。然後我們將使用它對應用程序用戶輸入的文本進行分類，並將結果顯示在 UI 上。

添加依賴

轉到應用程序的 Podfile 並在應用程序的依賴項中添加 TensorFlow Lite 任務庫（文本）。確保在target 'TextClassification'聲明下添加依賴項。

pod 'TensorFlowLiteTaskText', '~> 0.2.0'

運行pod install以安裝新的依賴項。

初始化文本分類器

然後我們將使用任務庫的NLClassifier加載從 Firebase 下載的情感分析模型。

ViewController.swift

讓我們聲明一個 TFLNLClassifier 實例變量。在文件頂部，導入新的依賴項：

import TensorFlowLiteTaskText

在我們在上一步中修改的方法上方找到此註釋：

// TODO: Add an TFLNLClassifier property.

將 TODO 替換為以下代碼：

private var classifier: TFLNLClassifier?

使用從 Firebase 下載的情感分析模型初始化textClassifier變量。找到我們在上一步中添加的這條評論：

// TODO: Initialize an NLClassifier from the downloaded model

將 TODO 替換為以下代碼：

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

對文本進行分類

設置classifier實例後，您可以通過單個方法調用來運行情感分析。

ViewController.swift

在classify(text:)方法中，找到TODO註釋：

// TODO: Run sentiment analysis on the input text

將註釋替換為以下代碼：

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. 運行最終的應用程序

您已將情感分析模型集成到應用程序中，所以我們來測試一下。連接您的 iOS 設備，然後單擊運行( 執行.png ）在 Xcode 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。