1. Visão geral
Este é o codelab "Classificação de texto com o TensorFlow Lite e o Firebase". Neste codelab, você aprenderá a usar o TensorFlow Lite e o Firebase para treinar e implantar um modelo de classificação de texto no seu app. O codelab é baseado neste exemplo do TensorFlow Lite.
A classificação de texto é o processo de atribuição de tags ou categorias ao texto de acordo com o conteúdo. Essa é uma das tarefas fundamentais do processamento de linguagem natural (PLN) com aplicações amplas, como análise de sentimento, identificação de tópicos, detecção de spam e detecção de intents.
A análise de sentimento é a interpretação e classificação de emoções (positivas, negativas e neutras) nos dados de texto usando técnicas de análise de texto. A análise de sentimento permite que as empresas identifiquem o sentimento dos clientes em relação a produtos, marcas ou serviços em conversas on-line e feedback.
Neste tutorial, mostramos como criar um modelo de machine learning para análise de sentimento, principalmente ao classificar um texto como positivo ou negativo. Esse é um exemplo de classificação binária (ou de duas classes), um tipo importante e amplamente aplicável de problema de machine learning.
Conteúdo
- Treinar um modelo de análise de sentimento do TF Lite com o TF Lite Model Maker
- Implante modelos do TF Lite no Firebase ML e acesse-os pelo app
- Acompanhar o feedback dos usuários para medir a precisão do modelo com o Firebase Analytics
- Gerar um perfil do desempenho do modelo por meio do Monitoramento de desempenho do Firebase
- Selecione qual dos vários modelos implantados é carregado pela Configuração remota
- Teste modelos diferentes com o Teste A/B do Firebase
Pré-requisitos
- Xcode 11 (ou versão mais recente)
- CocoaPods 1.9.1 (ou versão mais recente)
Como você usará este tutorial?
Como você classificaria sua experiência com a criação de apps Android?
2. Criar projeto do console do Firebase
Adicionar o Firebase ao projeto
- Acesse o Console do Firebase.
- Selecione Criar novo projeto e dê o nome "Firebase ML iOS Codelab".
3. Acessar o projeto de amostra
Faça o download do código
Comece clonando o projeto de exemplo e executando pod update
no diretório do projeto:
git clone https://github.com/FirebaseExtended/codelab-textclassification-ios.git cd codelab-textclassification-ios pod install --repo-update
Se você não tiver o git instalado, faça o download do projeto de exemplo na página do GitHub ou clique neste link (link em inglês). Depois de fazer o download do projeto, execute-o no Xcode e teste a classificação de texto para ter uma ideia de como ele funciona.
Configurar o Firebase
Siga a documentação para criar um novo projeto do Firebase. Depois de criar seu projeto, faça o download do arquivo GoogleService-Info.plist
dele no Console do Firebase e arraste-o para a raiz do projeto Xcode.
Adicione o Firebase ao seu Podfile e execute a instalação do pod.
pod 'FirebaseMLModelDownloader', '9.3.0-beta'
No método didFinishLaunchingWithOptions
do AppDelegate
, importe o Firebase na parte de cima do arquivo
import FirebaseCore
E adicione uma chamada para configurar o Firebase.
FirebaseApp.configure()
Execute o projeto novamente para garantir que o app esteja configurado corretamente e não apresente falhas na inicialização.
4. Treinar um modelo de análise de sentimento
Vamos usar o TensorFlow Lite Model Maker para treinar um modelo de classificação de texto e prever o sentimento de um determinado texto.
Esta etapa é apresentada como um notebook Python que pode ser aberto no Google Colab.
Abrir no Colab
Depois de concluir esta etapa, você terá um modelo de análise de sentimento do TensorFlow Lite pronto para implantação em um app para dispositivos móveis.
5. Implantar um modelo no Firebase ML
Implantar um modelo no Firebase ML é útil por dois motivos principais:
- Podemos manter o tamanho de instalação do app pequeno e fazer o download do modelo apenas se necessário
- O modelo pode ser atualizado regularmente e com um ciclo de lançamento diferente do app inteiro.
O modelo pode ser implantado pelo console ou de maneira programática usando o SDK Admin do Firebase. Nesta etapa, vamos implantar pelo console.
Primeiro, abra o Console do Firebase e clique em "Machine Learning" no painel de navegação à esquerda. Clique em "Começar" se você estiver abrindo o app pela primeira vez. Em seguida, navegue até "Personalizado" e clique no botão "Adicionar modelo".
Quando solicitado, nomeie o modelo como sentiment_analysis
e faça upload do arquivo que você transferiu por download do Colab na etapa anterior.
6. Baixar o modelo do Firebase ML
Escolher quando fazer o download do modelo remoto do Firebase no seu app pode ser complicado, já que os modelos do TFLite podem ficar relativamente grandes. O ideal é evitar o carregamento do modelo imediatamente após a inicialização do app, já que se o modelo for usado para apenas um recurso e o usuário nunca usar esse recurso, uma quantidade significativa de dados será baixada sem motivo. Também podemos definir opções de download como buscar modelos somente quando conectado a uma rede Wi-Fi. Para garantir que o modelo esteja disponível mesmo sem uma conexão de rede, é importante agrupá-lo sem o app como backup.
Para simplificar, removeremos o modelo empacotado padrão e sempre faremos o download de um modelo do Firebase quando o app for iniciado pela primeira vez. Dessa forma, ao executar a análise de sentimento, você pode ter certeza de que a inferência está sendo executada com o modelo fornecido pelo Firebase.
Na parte superior do ModelLoader.swift
, importe o módulo do Firebase.
import FirebaseCore import FirebaseMLModelDownloader
Em seguida, implemente os métodos a seguir.
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)) } } }
No viewDidLoad
do ViewController.swift
, substitua a chamada para loadModel()
pelo novo método de download de modelo.
// 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 }
Execute o app novamente. Após alguns segundos, você verá um registro no Xcode indicando que o download do modelo remoto foi concluído. Tente digitar algum texto e confirme se o comportamento do aplicativo não mudou.
7. Integrar o modelo ao app
A biblioteca de tarefas do Tensorflow Lite ajuda você a integrar os modelos do TensorFlow Lite ao seu app com apenas algumas linhas de código. Vamos inicializar uma instância do TFLNLClassifier
usando o modelo do TensorFlow Lite transferido por download do Firebase. Em seguida, vamos usá-lo para classificar a entrada de texto dos usuários do app e mostrar o resultado na interface.
Adicionar a dependência
Acesse o Podfile do app e adicione a TensorFlow Lite Task Library (Text) nas dependências do app. Adicione a dependência na declaração target 'TextClassification'
.
pod 'TensorFlowLiteTaskText', '~> 0.2.0'
Execute pod install
para instalar a nova dependência.
Inicializar um classificador de texto
Em seguida, vamos carregar o modelo de análise de sentimento transferido por download do Firebase usando o NLClassifier
da Biblioteca de tarefas.
ViewController.swift (em inglês)
Vamos declarar uma variável de instância TFLNLClassifier. Na parte superior do arquivo, importe a nova dependência:
import TensorFlowLiteTaskText
Encontre este comentário acima do método que modificamos na última etapa:
// TODO: Add a TFLNLClassifier property.
Substitua TODO por este código:
private var classifier: TFLNLClassifier?
Inicialize a variável textClassifier
com o modelo de análise de sentimento transferido por download do Firebase. Encontre o comentário que adicionamos na última etapa:
// TODO: Initialize an NLClassifier from the downloaded model
Substitua TODO por este código:
let options = TFLNLClassifierOptions()
self.classifier = TFLNLClassifier.nlClassifier(modelPath: customModel.path, options: options)
Classificar texto
Depois que a instância classifier
for configurada, será possível executar a análise de sentimento com uma única chamada de método.
ViewController.swift (em inglês)
No método classify(text:)
, encontre o comentário TODO:
// TODO: Run sentiment analysis on the input text
Substitua o comentário por este código:
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. Executar o app final
Você integrou o modelo de análise de sentimento ao aplicativo, então vamos testá-lo. Conecte seu dispositivo iOS e clique em Executar ( ) na barra de ferramentas do Xcode.
O aplicativo deve ser capaz de prever corretamente o sentimento da crítica de filme que você inserir.
9. Melhorar o app com mais recursos do Firebase
Além de hospedar seus modelos TFLite, o Firebase oferece vários outros recursos para potencializar seus casos de uso de machine learning:
- O Monitoramento de desempenho do Firebase para medir a velocidade de inferência do seu modelo em execução nos dispositivos dos usuários.
- o Firebase Analytics para medir a qualidade do desempenho do seu modelo na produção por meio da avaliação da reação do usuário.
- Teste A/B do Firebase para testar várias versões do seu modelo
- Você se lembra que treinamos duas versões do nosso modelo TFLite anteriormente? O teste A/B é uma boa maneira de descobrir qual versão tem melhor desempenho na produção.
Para saber mais sobre como aproveitar esses recursos no seu app, confira os codelabs abaixo:
10. Parabéns!
Neste codelab, você aprendeu a treinar um modelo do TFLite de análise de sentimento e implantá-lo no seu app para dispositivos móveis usando o Firebase. Para saber mais sobre o TFLite e o Firebase, confira outros exemplos do TFLite e os guias de introdução do Firebase.
O que vimos
- TensorFlow Lite
- Firebase ML
Próximas etapas
- Meça a velocidade de inferência do seu modelo com o Monitoramento de desempenho do Firebase.
- Implante o modelo do Colab diretamente no Firebase pela API Firebase ML Model Management.
- Adicione um mecanismo para permitir que os usuários enviem feedback sobre o resultado da previsão e use o Firebase Analytics para rastrear esse feedback.
- Faça testes A/B com o modelo médio do vetor de palavras e o modelo MobileBERT com o Teste A/B do Firebase.
Saiba mais
- Documentação do Machine Learning do Firebase
- Documentação do TensorFlow Lite
- Medir o desempenho do app com o Firebase
- Modelos de Teste A/B com o Firebase