1. Présentation
Bienvenue dans l'atelier de programmation sur la classification de texte avec TensorFlow Lite et Firebase. Dans cet atelier de programmation, vous allez découvrir comment utiliser TensorFlow Lite et Firebase pour entraîner et déployer un modèle de classification de texte dans votre application. Cet atelier de programmation est basé sur cet exemple TensorFlow Lite example.
La classification de texte consiste à attribuer des tags ou des catégories à du texte en fonction de son contenu. Il s'agit de l'une des tâches fondamentales du traitement du langage naturel (TLN), avec de nombreuses applications telles que l'analyse des sentiments, l'étiquetage de sujets, la détection du spam et la détection d'intentions.
L'analyse des sentiments est l'interprétation et la classification des émotions (positives, négatives et neutres) dans les données textuelles à l'aide de techniques d'analyse de texte. L'analyse des sentiments permet aux entreprises d'identifier le sentiment des clients à l'égard des produits, des marques ou des services dans les conversations et les commentaires en ligne.
Ce tutoriel explique comment créer un modèle de machine learning pour l'analyse des sentiments, en particulier pour classer le texte comme positif ou négatif. Il s'agit d'un exemple de classification binaire (ou à deux classes), un type de problème de machine learning important et largement applicable.
Points abordés
- Entraîner un modèle d'analyse des sentiments TF Lite avec TF Lite Model Maker
- Déployer des modèles TF Lite sur Firebase ML et y accéder depuis votre application
- Suivre les commentaires des utilisateurs pour mesurer la précision du modèle avec Firebase Analytics
- Profiler les performances du modèle via Firebase Performance Monitoring
- Sélectionner lequel des plusieurs modèles déployés est chargé via Remote Config
- Tester différents modèles via Firebase A/B Testing
Ce dont vous avez besoin
- Xcode 11 (ou version ultérieure)
- CocoaPods 1.9.1 (ou version ultérieure)
Comment allez-vous utiliser ce tutoriel ?
Comment évalueriez-vous votre niveau d'expérience en matière de création d'applications Android ?
2. Créer un projet dans la console Firebase
Ajouter Firebase au projet
- Accédez à la console Firebase.
- Sélectionnez Créer un projet et nommez-le "Firebase ML iOS Codelab".
3. Obtenir l'exemple de projet
Télécharger le code
Commencez par cloner l'exemple de projet et exécutez pod update dans le répertoire du projet :
git clone https://github.com/FirebaseExtended/codelab-textclassification-ios.git cd codelab-textclassification-ios pod install --repo-update
Si git n'est pas installé, vous pouvez également télécharger l'exemple de projet à partir de sa page GitHub ou en cliquant sur ce lien. Une fois le projet téléchargé, exécutez-le dans Xcode et testez la classification de texte pour comprendre son fonctionnement.
Configurer Firebase
Suivez la documentation pour créer un projet Firebase. Une fois votre projet créé, téléchargez le fichier GoogleService-Info.plist de votre projet depuis la console Firebase et faites-le glisser vers la racine du projet Xcode.
Ajoutez Firebase à votre Podfile et exécutez pod install.
pod 'FirebaseMLModelDownloader', '9.3.0-beta'
Dans la méthode didFinishLaunchingWithOptions de votre AppDelegate, importez Firebase en haut du fichier.
import FirebaseCore
Ajoutez ensuite un appel pour configurer Firebase.
FirebaseApp.configure()
Exécutez de nouveau le projet pour vous assurer que l'application est correctement configurée et qu'elle ne plante pas au lancement.
4. Entraîner un modèle d'analyse des sentiments
Nous allons utiliser TensorFlow Lite Model Maker pour entraîner un modèle de classification de texte afin de prédire le sentiment d'un texte donné.
Cette étape est présentée sous la forme d'un notebook Python que vous pouvez ouvrir dans Google Colab.
Ouvrir dans Colab
Une fois cette étape terminée, vous disposerez d'un modèle d'analyse des sentiments TensorFlow Lite prêt à être déployé dans une application mobile.
5. Déployer un modèle sur Firebase ML
Le déploiement d'un modèle sur Firebase ML est utile pour deux raisons principales :
- Nous pouvons réduire la taille d'installation de l'application et ne télécharger le modèle qu'en cas de besoin.
- Le modèle peut être mis à jour régulièrement et avec un cycle de publication différent de celui de l'application entière.
Le modèle peut être déployé via la console ou de manière programmatique à l'aide du SDK Admin Firebase. Dans cette étape, nous allons effectuer le déploiement via la console.
Commencez par ouvrir la console Firebase et cliquez sur Machine Learning dans le panneau de navigation de gauche. Cliquez sur "Premiers pas" si vous ouvrez cette page pour la première fois. Accédez ensuite à "Personnalisé" et cliquez sur le bouton "Ajouter un modèle".
Lorsque vous y êtes invité, nommez le modèle sentiment_analysis et importez le fichier que vous avez téléchargé depuis Colab à l'étape précédente.
6. Télécharger un modèle depuis Firebase ML
Choisir le moment où télécharger le modèle distant depuis Firebase dans votre application peut être délicat, car les modèles TFLite peuvent devenir relativement volumineux. Idéalement, nous voulons éviter de charger le modèle immédiatement au lancement de l'application. En effet, si notre modèle n'est utilisé que pour une seule fonctionnalité et que l'utilisateur ne l'utilise jamais, nous aurons téléchargé une quantité importante de données sans raison. Nous pouvons également définir des options de téléchargement, par exemple en ne récupérant les modèles que lorsque nous sommes connectés au Wi-Fi. Si vous souhaitez vous assurer que le modèle est disponible même sans connexion réseau, il est important de le regrouper sans l'application comme sauvegarde.
Par souci de simplicité, nous allons supprimer le modèle groupé par défaut et toujours télécharger un modèle depuis Firebase au premier démarrage de l'application. Ainsi, lorsque vous effectuez une analyse des sentiments, vous pouvez être sûr que l'inférence s'exécute avec le modèle fourni par Firebase.
En haut de ModelLoader.swift, importez le module Firebase.
import FirebaseCore import FirebaseMLModelDownloader
Implémentez ensuite les méthodes suivantes.
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))
}
}
}
Dans viewDidLoad de ViewController.swift, remplacez l'appel à loadModel() par notre nouvelle méthode de téléchargement de modèle.
// 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
}
Exécutez de nouveau votre application. Après quelques secondes, un journal s'affiche dans Xcode indiquant que le modèle distant a été téléchargé. Essayez de saisir du texte et vérifiez que le comportement de l'application n'a pas changé.
7. Intégrer le modèle dans votre application
La bibliothèque de tâches Tensorflow Lite vous permet d'intégrer des modèles TensorFlow Lite à votre application en quelques lignes de code. Nous allons initialiser une TFLNLClassifier instance à l'aide du modèle TensorFlow Lite téléchargé depuis Firebase. Nous l'utiliserons ensuite pour classer le texte saisi par les utilisateurs de l'application et afficher le résultat dans l'UI.
Ajouter la dépendance
Accédez au Podfile de l'application et ajoutez la bibliothèque de tâches TensorFlow Lite (texte) dans les dépendances de l'application. Assurez-vous d'ajouter la dépendance sous la déclaration target 'TextClassification'.
pod 'TensorFlowLiteTaskText', '~> 0.2.0'
Exécutez pod install pour installer la nouvelle dépendance.
Initialiser un classificateur de texte
Nous allons ensuite charger le modèle d'analyse des sentiments téléchargé depuis Firebase à l'aide de la bibliothèque de tâches NLClassifier.
ViewController.swift
Déclarons une variable d'instance TFLNLClassifier. En haut du fichier, importez la nouvelle dépendance :
import TensorFlowLiteTaskText
Recherchez ce commentaire au-dessus de la méthode que nous avons modifiée à la dernière étape :
// TODO: Add a TFLNLClassifier property.
Remplacez le TODO par le code suivant :
private var classifier: TFLNLClassifier?
Initialisez la variable textClassifier avec le modèle d'analyse des sentiments téléchargé depuis Firebase. Recherchez ce commentaire que nous avons ajouté à la dernière étape :
// TODO: Initialize an NLClassifier from the downloaded model
Remplacez le TODO par le code suivant :
let options = TFLNLClassifierOptions()
self.classifier = TFLNLClassifier.nlClassifier(modelPath: customModel.path, options: options)
Classer du texte
Une fois l'instance classifier configurée, vous pouvez exécuter l'analyse des sentiments avec un seul appel de méthode.
ViewController.swift
Dans la méthode classify(text:), recherchez le commentaire TODO :
// TODO: Run sentiment analysis on the input text
Remplacez le commentaire par le code suivant :
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. Exécuter l'application finale
Vous avez intégré le modèle d'analyse des sentiments à l'application. Testons-le. Connectez votre appareil iOS, puis cliquez sur Exécuter ( 
) dans la barre d'outils Xcode.
L'application devrait être en mesure de prédire correctement le sentiment de la critique de film que vous saisissez.
9. Améliorer l'application avec d'autres fonctionnalités Firebase
Outre l'hébergement de vos modèles TFLite, Firebase fournit plusieurs autres fonctionnalités pour améliorer vos cas d'utilisation du machine learning :
- Firebase Performance Monitoring pour mesurer la vitesse d'inférence de votre modèle sur l'appareil des utilisateurs.
- Firebase Analytics pour mesurer les performances de votre modèle en production en mesurant la réaction des utilisateurs.
- Firebase A/B Testing pour tester plusieurs versions de votre modèle
- Vous souvenez-vous que nous avons entraîné deux versions de notre modèle TFLite plus tôt ? Les tests A/B sont un bon moyen de déterminer quelle version est la plus performante en production.
Pour en savoir plus sur l'utilisation de ces fonctionnalités dans votre application, consultez les ateliers de programmation ci-dessous :
10. Félicitations !
Dans cet atelier de programmation, vous avez appris à entraîner un modèle TFLite d'analyse des sentiments et à le déployer dans votre application mobile à l'aide de Firebase. Pour en savoir plus sur TFLite et Firebase, consultez d'autres exemples TFLite samples et les guides de démarrage getting started de Firebase.
Points abordés
- TensorFlow Lite
- Firebase ML
Étapes suivantes
- Mesurez la vitesse d'inférence de votre modèle avec Firebase Performance Monitoring.
- Déployez le modèle de Colab directement sur Firebase via l'API Firebase ML Model Management.
- Ajoutez un mécanisme permettant aux utilisateurs de commenter le résultat de la prédiction et utilisez Firebase Analytics pour suivre les commentaires des utilisateurs.
- Effectuez un test A/B sur le modèle Average Word Vector et le modèle MobileBERT avec Firebase A/B Testing.
En savoir plus
- Documentation Firebase Machine Learning
- Documentation TensorFlow Lite
- Mesurer les performances des applications avec Firebase
- Tester des modèles A/B avec Firebase