在 Flutter 中使用 TensorFlow Lite 插件實作文字分類-有解無憂

如果您希望能有一種簡單、高效且靈活的方式把 TensorFlow 模型集成到 Flutter 應用里，那請您一定不要錯過我們今天介紹的這個全新插件 tflite_flutter，這個插件的開發者是 Google Summer of Code(GSoC) 的一名實習生 Amish Garg，本文來自他在 Medium 上的一篇文章《在 Flutter 中使用 TensorFlow Lite 插件實作文字分類》，

tflite_flutter 插件的核心特性：

它提供了與 TFLite Java 和 Swift API 相似的 Dart API，所以其靈活性和在這些平臺上的效果是完全一樣的
通過 dart:ffi 直接與 TensorFlow Lite C API 相系結，所以它比其它平臺集成方式更加高效，
無需撰寫特定平臺的代碼，
通過 NNAPI 提供加速支持，在 Android 上使用 GPU Delegate，在 iOS 上使用 Metal Delegate，

本文中，我們將使用 tflite_flutter 構建一個 文字分類 Flutter 應用 帶您體驗 tflite_flutter 插件，首先從新建一個 Flutter 專案 text_classification_app 開始，

初始化配置

Linux 和 Mac 用戶

將 install.sh 拷貝到您應用的根目錄，然后在根目錄執行 sh install.sh，本例中就是目錄 text_classification_app/，

Windows 用戶

將 install.bat 檔案拷貝到應用根目錄，并在根目錄運行批處理檔案 install.bat，本例中就是目錄 text_classification_app/，

它會自動從 release assets 下載最新的二進制資源，然后把它放到指定的目錄下，

請點擊到 README 檔案里查看更多關于初始配置的資訊，

獲取插件

在 pubspec.yaml 添加 tflite_flutter: ^<latest_version> （詳情），

下載模型

要在移動端上運行 TensorFlow 訓練模型，我們需要使用 .tflite 格式，如果需要了解如何將 TensorFlow 訓練的模型轉換為 .tflite 格式，請參閱官方指南，

這里我們準備使用 TensorFlow 官方站點上預訓練的文字分類模型，可從這里下載，

該預訓練的模型可以預測當前段落的情感是積極還是消極，它是基于來自 Mass 等人的 Large Movie Review Dataset v1.0 資料集進行訓練的，資料集由基于 IMDB 電影評論所標記的積極或消極標簽組成，點擊查看更多資訊，

將 text_classification.tflite 和 text_classification_vocab.txt 檔案拷貝到 text_classification_app/assets/ 目錄下，

在 pubspec.yaml 檔案中添加 assets/，

assets:    
  - assets/

現在萬事俱備，我們可以開始寫代碼了， 🚀

實作分類器

預處理

正如文字分類模型頁面里所提到的，可以按照下面的步驟使用模型對段落進行分類：

對段落文本進行分詞，然后使用預定義的詞匯集將它轉換為一組詞匯 ID；
將生成的這組詞匯 ID 輸入 TensorFlow Lite 模型里；
從模型的輸出里獲取當前段落是積極或者是消極的概率值，

我們首先寫一個方法對原始字串進行分詞，其中使用 text_classification_vocab.txt 作為詞匯集，

在 lib/ 檔案夾下創建一個新檔案 classifier.dart，

這里先寫代碼加載 text_classification_vocab.txt 到字典里，

import 'package:flutter/services.dart';

class Classifier {
  final _vocabFile = 'text_classification_vocab.txt';

  Map<String, int> _dict;

  Classifier() {
    _loadDictionary();
  }

  void _loadDictionary() async {
    final vocab = await rootBundle.loadString('assets/$_vocabFile');
    var dict = <String, int>{};
    final vocabList = vocab.split('\n');
    for (var i = 0; i < vocabList.length; i++) {
      var entry = vocabList[i].trim().split(' ');
      dict[entry[0]] = int.parse(entry[1]);
    }
    _dict = dict;
    print('Dictionary loaded successfully');
  }

}

加載字典

現在我們來撰寫一個函式對原始字串進行分詞，

import 'package:flutter/services.dart';

class Classifier {
  final _vocabFile = 'text_classification_vocab.txt';

  // 單句的最大長度
  final int _sentenceLen = 256;

  final String start = '<START>';
  final String pad = '<PAD>';
  final String unk = '<UNKNOWN>';

  Map<String, int> _dict;

  List<List<double>> tokenizeInputText(String text) {

    // 使用空格進行分詞
    final toks = text.split(' ');

    // 創建一個串列，它的長度等于 _sentenceLen，并且使用 <pad> 的對應的字典值來填充
    var vec = List<double>.filled(_sentenceLen, _dict[pad].toDouble());

    var index = 0;
    if (_dict.containsKey(start)) {
      vec[index++] = _dict[start].toDouble();
    }

    // 對于句子里的每個單詞在 dict 里找到相應的 index 值
    for (var tok in toks) {
      if (index > _sentenceLen) {
        break;
      }
      vec[index++] = _dict.containsKey(tok)
          ? _dict[tok].toDouble()
          : _dict[unk].toDouble();
    }

    // 按照我們的解釋器輸入 tensor 所需的形狀 [1,256] 回傳 List<List<double>>
    return [vec];
  }
}

使用 tflite_flutter 進行分析

這是本文的主體部分，這里我們會討論 tflite_flutter 插件的用途，

這里的分析是指基于輸入資料在設備上使用 TensorFlow Lite 模型的處理程序，要使用 TensorFlow Lite 模型進行分析，需要通過 解釋器 來運行它，了解更多，

創建解釋器，加載模型

tflite_flutter 提供了一個方法直接通過資源創建解釋器，

static Future<Interpreter> fromAsset(String assetName, {InterpreterOptions options})

由于我們的模型在 assets/ 檔案夾下，需要使用上面的方法來創建決議器，對于 InterpreterOptions 的相關說明，請參考這里，

import 'package:flutter/services.dart';

// 引入 tflite_flutter
import 'package:tflite_flutter/tflite_flutter.dart';

class Classifier {
  // 模型檔案的名稱
  final _modelFile = 'text_classification.tflite';

  // TensorFlow Lite 解釋器物件
  Interpreter _interpreter;

  Classifier() {
    // 當分類器初始化以后加載模型
    _loadModel();
  }

  void _loadModel() async {

    // 使用 Interpreter.fromAsset 創建解釋器
    _interpreter = await Interpreter.fromAsset(_modelFile);
    print('Interpreter loaded successfully');
  }

}

創建解釋器的代碼

如果您不希望將模型放在 assets/ 目錄下，tflite_flutter 還提供了工廠建構式創建解釋器，更多資訊，

我們開始進行分析！

現在用下面方法啟動分析：

void run(Object input, Object output);

注意這里的方法和 Java API 中的是一樣的，

Object input 和 Object output 必須是和 Input Tensor 與 Output Tensor 維度相同的串列，

要查看 input tensors 和 output tensors 的維度，可以使用如下代碼：

_interpreter.allocateTensors();
// 列印 input tensor 串列
print(_interpreter.getInputTensors());
// 列印 output tensor 串列
print(_interpreter.getOutputTensors());

在本例中 text_classification 模型的輸出如下：

InputTensorList:
[Tensor{_tensor: Pointer<TfLiteTensor>: address=0xbffcf280, name: embedding_input, type: TfLiteType.float32, shape: [1, 256], data:  1024]
OutputTensorList:
[Tensor{_tensor: Pointer<TfLiteTensor>: address=0xbffcf140, name: dense_1/Softmax, type: TfLiteType.float32, shape: [1, 2], data:  8]

現在，我們實作分類方法，該方法回傳值為 1 表示積極，回傳值為 0 表示消極，

int classify(String rawText) {

    //  tokenizeInputText 回傳形狀為 [1, 256] 的 List<List<double>>
    List<List<double>> input = tokenizeInputText(rawText);

    // [1,2] 形狀的輸出
    var output = List<double>(2).reshape([1, 2]);

    // run 方法會運行分析并且存盤輸出的值
    _interpreter.run(input, output);

    var result = 0;
    // 如果輸出中第一個元素的值比第二個大，那么句子就是消極的

    if ((output[0][0] as double) > (output[0][1] as double)) {
      result = 0;
    } else {
      result = 1;
    }
    return result;
  }

用于分析的代碼

在 tflite_flutter 的 extension ListShape on List 下面定義了一些使用的擴展：

// 將提供的串列進行矩陣變形，輸入引數為元素總數 // 保持相等 
// 用法：List(400).reshape([2,10,20]) 
// 回傳  List<dynamic>

List reshape(List<int> shape)
// 回傳串列的形狀
List<int> get shape
// 回傳串列任意形狀的元素數量
int get computeNumElements

最終的 classifier.dart 應該是這樣的：

import 'package:flutter/services.dart';

// 引入 tflite_flutter
import 'package:tflite_flutter/tflite_flutter.dart';

class Classifier {
  // 模型檔案的名稱
  final _modelFile = 'text_classification.tflite';
  final _vocabFile = 'text_classification_vocab.txt';

  // 陳述句的最大長度
  final int _sentenceLen = 256;

  final String start = '<START>';
  final String pad = '<PAD>';
  final String unk = '<UNKNOWN>';

  Map<String, int> _dict;

  // TensorFlow Lite 解釋器物件
  Interpreter _interpreter;

  Classifier() {
    // 當分類器初始化的時候加載模型
    _loadModel();
    _loadDictionary();
  }

  void _loadModel() async {
    // 使用 Intepreter.fromAsset 創建決議器
    _interpreter = await Interpreter.fromAsset(_modelFile);
    print('Interpreter loaded successfully');
  }

  void _loadDictionary() async {
    final vocab = await rootBundle.loadString('assets/$_vocabFile');
    var dict = <String, int>{};
    final vocabList = vocab.split('\n');
    for (var i = 0; i < vocabList.length; i++) {
      var entry = vocabList[i].trim().split(' ');
      dict[entry[0]] = int.parse(entry[1]);
    }
    _dict = dict;
    print('Dictionary loaded successfully');
  }

  int classify(String rawText) {
    // tokenizeInputText  回傳形狀為 [1, 256] 的 List<List<double>>
    List<List<double>> input = tokenizeInputText(rawText);

    //輸出形狀為 [1, 2] 的矩陣
    var output = List<double>(2).reshape([1, 2]);

    // run 方法會運行分析并且將結果存盤在 output 中，
    _interpreter.run(input, output);

    var result = 0;
    // 如果第一個元素的輸出比第二個大，那么當前陳述句是消極的

    if ((output[0][0] as double) > (output[0][1] as double)) {
      result = 0;
    } else {
      result = 1;
    }
    return result;
  }

  List<List<double>> tokenizeInputText(String text) {
    // 用空格分詞
    final toks = text.split(' ');

    // 創建一個串列，它的長度等于 _sentenceLen，并且使用 <pad> 對應的字典值來填充
    var vec = List<double>.filled(_sentenceLen, _dict[pad].toDouble());

    var index = 0;
    if (_dict.containsKey(start)) {
      vec[index++] = _dict[start].toDouble();
    }

    // 對于句子中的每個單詞，在 dict 中找到相應的 index 值
    for (var tok in toks) {
      if (index > _sentenceLen) {
        break;
      }
      vec[index++] = _dict.containsKey(tok)
          ? _dict[tok].toDouble()
          : _dict[unk].toDouble();
    }

    // 按照我們的解釋器輸入 tensor 所需的形狀 [1,256] 回傳 List<List<double>>
    return [vec];
  }
}

現在，可以根據您的喜好實作 UI 的代碼，分類器的用法比較簡單，

// 創建 Classifier 物件
Classifer _classifier = Classifier();
// 將目標陳述句作為引數，呼叫 classify 方法
_classifier.classify("I liked the movie");
// 回傳 1 （積極的）
_classifier.classify("I didn't liked the movie");
// 回傳 0 （消極的）

請在這里查閱完整代碼：Text Classification Example app with UI，

Text Classification Example App

文字分類示例應用

了解更多關于 tflite_flutter 插件的資訊，請訪問 GitHub repo: am15h/tflite_flutter_plugin，

答疑

問：`tflite_flutter` 和 `tflite v1.0.5` 有哪些區別？

tflite v1.0.5 側重于為特定用途的應用場景提供高級特性，比如圖片分類、物體檢測等等，而新的 tflite_flutter 則提供了與 Java API 相同的特性和靈活性，而且可以用于任何 tflite 模型中，它還支持 delegate，

由于使用 dart:ffi (dart ?? (ffi) ?? C)，tflite_flutter 非常快 (擁有低延時)，而 tflite 使用平臺集成 (dart ?? platform-channel ?? (Java/Swift) ?? JNI ?? C)，

問：如何使用 tflite_flutter 創建圖片分類應用？有沒有類似 TensorFlow Lite Android Support Library 的依賴包？

更新（07/01/2020）: TFLite Flutter Helper 開發庫已發布，

TensorFlow Lite Flutter Helper Library 為處理和控制輸入及輸出的 TFLite 模型提供了易用的架構，它的 API 設計和檔案與 TensorFlow Lite Android Support Library 是一樣的，更多資訊請參考這里，

以上是本文的全部內容，歡迎大家對 tflite_flutter 插件進行反饋，請在這里上報 bug 或提出功能需求，

謝謝關注，

感謝 Michael Thomsen，

致謝

譯者：Yuan，谷創字幕組
審校：Xinlei、Lynn Wang、Alex，CFUG 社區，

本文聯合發布在 TensorFlow 線上討論區、101.dev 和 Flutter 中文檔案，以及 Flutter 社區線上渠道，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qukuanlian/77246.html

標籤：區塊鏈

上一篇：C4D R20 從入門到精通學習視頻教程全集

下一篇：2020-09-17

在 Flutter 中使用 TensorFlow Lite 插件實作文字分類