1. 概览
欢迎学习“使用 TensorFlow Lite 和 Firebase 进行文本分类”Codelab。在此 Codelab 中，您将学习如何使用 TensorFlow Lite 和 Firebase 训练文本分类模型并将其部署到您的应用。此 Codelab 基于此 TensorFlow Lite 示例。
文本分类是根据文本内容为文本分配标签或类别的过程。它是自然语言处理 (NLP) 的基本任务之一，具有多种应用，例如情感分析、主题标签、垃圾内容检测和意图检测。
情感分析是使用文本分析技术对文本数据中的情绪（积极、消极和中性的）进行解释和分类。通过情感分析，商家可以确定客户在线对话和反馈时对产品、品牌或服务的感受。
本教程介绍如何构建用于情感分析的机器学习模型，特别是如何对文本进行正面或负面的分类。这是一个二元分类（或两类分类）的示例，也是一种重要且广泛适用的机器学习问题。
学习内容
- 使用 TF Lite Model Maker 训练 TF Lite 情感分析模型
- 将 TF Lite 模型部署到 Firebase ML 并从您的应用访问这些模型
- 使用 TF Lite Task 库将 TF Lite 情感分析模型集成到您的应用中
所需条件
- 最新 Android Studio 版本。
- 示例代码。
- 一台安装了 Android 5.0+ 和 Google Play 服务 9.8 或更高版本的测试设备，或者一个安装了 Google Play 服务 9.8 或更高版本的模拟器
- 如果使用设备，需要一根连接线。
您将如何使用本教程？
您如何评价自己在构建 Android 应用方面的经验水平？
2. 获取示例代码
从命令行克隆 GitHub 代码库。
$ git clone https://github.com/FirebaseExtended/codelab-textclassification-android.git
如果您未安装 git，也可以从其 GitHub 页面或点击此链接下载示例项目。
3. 导入起始应用
在 Android Studio 中，从示例代码下载中选择 codelab-textclassification-android-master 目录 ( 
) (File > Open > .../codelab-textclassification-android-master/start)。
现在，您应在 Android Studio 中打开启动项目。
4.运行起始应用
现在，您已将项目导入 Android Studio，可以首次运行应用了。连接 Android 设备，然后点击 Android Studio 工具栏中的 Run ( 
)。
应用应在您的设备上启动。它仅包含一个简单的界面，让您可以在后续步骤中轻松集成和测试文本分类模型。此时，如果您尝试预测情感，应用将仅返回一些虚拟结果。
5. 创建 Firebase 控制台项目
将 Firebase 添加到项目
- 前往 Firebase 控制台。
- 选择添加项目。
- 选择或输入项目名称。
- 在 Firebase 控制台中完成剩下的设置步骤，然后点击“创建项目”（如果您使用的是现有 Google 项目，则点击“添加 Firebase”）。
6. 将 Firebase 添加到应用
- 在新项目的概览屏幕中，点击 Android 图标以启动设置工作流。
- 输入此 Codelab 的软件包名称：
org.tensorflow.lite.codelabs.textclassification
将 google-services.json 文件添加到您的应用
添加软件包名称并选择“注册”**后，点击“下载 google-services.json**”以获取 Firebase Android 配置文件，然后将 google-services.json 文件复制到项目的 *app* 目录中。
将 google-services 插件添加到您的应用
按照 Firebase 控制台上的说明更新 build.gradle.kts 文件，以将 Firebase 添加到您的应用。
google-services 插件使用 google-services.json 文件将您的应用配置为使用 Firebase。
将项目与 Gradle 文件同步
为了确保所有依赖项都可供您的应用使用，此时您应将项目与 Gradle 文件同步。从 Android Studio 工具栏中依次选择 File > Sync Project with Gradle Files。
7. 使用 Firebase 运行应用
现在，您已经使用 JSON 文件配置了 google-services 插件，接下来就可以使用 Firebase 运行应用了。连接 Android 设备，然后点击 Android Studio 工具栏中的 Run ( )。
应用应在您的设备上启动。此时，您的应用应该仍然会成功构建。
8. 训练情感分析模型
我们将使用 TensorFlow Lite Model Maker 训练文本分类模型，以预测给定文本的情感。
此步骤以 Python 笔记本形式显示，您可以在 Google Colab 中打开。您可以选择运行时 > 全部运行，以一次性执行所有笔记本。
在 Colab 中打开
完成此步骤后，您将得到一个可以部署到移动应用的 TensorFlow Lite 情感分析模型。
9. 将模型部署到 Firebase ML
将模型部署到 Firebase ML 非常有用，主要有两个原因：
- 我们可以保持较小的应用安装大小，并且仅在需要时下载模型
- 模型可以定期更新，并且采用不同于整个应用的发布周期
您可以通过控制台部署模型，也可以使用 Firebase Admin SDK 以编程方式部署模型。在此步骤中，我们将通过控制台进行部署。
首先，打开 Firebase 控制台，然后点击左侧导航面板中的“机器学习”。如果您是第一次打开，请点击“开始使用”。然后，转到“自定义”并点击“添加模型”按钮。
当系统提示时，将模型命名为 sentiment_analysis，然后上传您在上一步中从 Colab 下载的文件。
10. 从 Firebase ML 下载模型
选择何时从 Firebase 将远程模型下载到应用可能会很困难，因为 TFLite 模型可能会变得相对较大。理想情况下，我们希望避免在应用启动时立即加载模型，因为如果模型仅用于一项功能，而用户从未使用该功能，我们就会无缘无故下载大量数据。我们还可以设置下载选项，例如在连接到 Wi-Fi 时仅提取模型。如果要确保模型在没有网络连接的情况下也可使用，务必将模型打包，但不将应用作为备用。
为简单起见，我们将移除默认的捆绑模型，并始终在应用首次启动时从 Firebase 下载模型。这样，在运行情感分析时，您可以确保使用 Firebase 提供的模型运行推理。
在 app/build.gradle.kts 文件中，添加 Firebase Machine Learning 依赖项。
app/build.gradle.kts
找到此评论：
// TODO 1: Add Firebase ML dependency
然后添加：
implementation(platform("com.google.firebase:firebase-bom:32.0.0"))
implementation("com.google.firebase:firebase-ml-modeldownloader:24.1.2")
当 Android Studio 要求同步您的项目时，选择 Sync Now。
然后添加一些代码，以便从 Firebase 下载模型。
MainActivity.java
找到此评论：
// TODO 2: Implement a method to download TFLite model from Firebase
然后添加：
/** Download model from Firebase ML. */
private synchronized void downloadModel(String modelName) {
CustomModelDownloadConditions conditions = new CustomModelDownloadConditions.Builder()
.requireWifi()
.build();
FirebaseModelDownloader.getInstance()
.getModel("sentiment_analysis", DownloadType.LOCAL_MODEL, conditions)
.addOnSuccessListener(model -> {
try {
// TODO 6: Initialize a TextClassifier with the downloaded model
predictButton.setEnabled(true);
} catch (IOException e) {
Log.e(TAG, "Failed to initialize the model. ", e);
Toast.makeText(
MainActivity.this,
"Model initialization failed.",
Toast.LENGTH_LONG)
.show();
predictButton.setEnabled(false);
}
})
.addOnFailureListener(e -> {
Log.e(TAG, "Failed to download the model. ", e);
Toast.makeText(
MainActivity.this,
"Model download failed, please check your connection.",
Toast.LENGTH_LONG)
.show();
}
);
}
接下来，在 activity 的 onCreate 方法中调用 downloadModel 方法。
MainActivity.java
找到此评论：
// TODO 3: Call the method to download TFLite model
然后添加：
downloadModel("sentiment_analysis");
11. 将模型集成到您的应用中
借助 TensorFlow Lite 任务库，您只需几行代码即可将 TensorFlow Lite 模型集成到您的应用中。我们将使用从 Firebase 下载的 TensorFlow Lite 模型来初始化 NLClassifier 实例。然后，我们将使用它对来自应用用户的文本输入进行分类，并在界面上显示结果。
添加依赖项
转到应用的 Gradle 文件，然后在应用的依赖项中添加 TensorFlow Lite Task Library (Text)。
app/build.gradle
找到此评论：
// TODO 4: Add TFLite Task API (Text) dependency
然后添加：
implementation("org.tensorflow:tensorflow-lite-task-text:0.3.0")
当 Android Studio 要求同步您的项目时，选择 Sync Now。
初始化文本分类器
然后，我们将使用 Task 库的 NLClassifier 加载从 Firebase 下载的情感分析模型。
MainActivity.java
我们来声明一个 NLClassifier 实例变量。找到此评论：
// TODO 5: Define a NLClassifier variable
然后添加：
private NLClassifier textClassifier;
使用从 Firebase 下载的情感分析模型初始化 textClassifier 变量。找到此评论：
// TODO 6: Initialize a TextClassifier with the downloaded model
然后添加：
textClassifier = NLClassifier.createFromFile(model.getFile());
对文本进行分类
设置好 textClassifier 实例后，只需调用一个方法即可运行情感分析。
MainActivity.java
找到此评论：
// TODO 7: Run sentiment analysis on the input text
然后添加：
List<Category> results = textClassifier.classify(text);
实现后期处理
最后，我们将模型的输出转换为要在屏幕上显示的描述性文本。
MainActivity.java
找到此评论：
// TODO 8: Convert the result to a human-readable text
移除生成虚拟结果文本的代码：
String textToShow = "Dummy classification result.\n";
然后添加：
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. 运行最终应用
您已将情感分析模型集成到应用中，让我们对其进行测试。连接 Android 设备，然后点击 Android Studio 工具栏中的 Run ( )。
应用应该能够正确预测您输入的影评的情感。
13. 利用更多 Firebase 功能为应用提供支持
除了托管 TFLite 模型之外，Firebase 还提供了一些其他功能来支持您的机器学习用例：
- Firebase Performance Monitoring 用于衡量模型在用户设备上运行的推断速度。
- Firebase Analytics，通过衡量用户的反应来衡量模型在生产环境中的表现。
- 使用 Firebase A/B Testing 测试模型的多个版本
- 你还记得我们之前训练了两个版本的 TFLite 模型吗？A/B 测试是了解哪些版本在生产环境中效果更好的好方法！
如需详细了解如何在应用中利用这些功能，请查看以下 Codelab：
14. 恭喜！
在此 Codelab 中，您学习了如何使用 Firebase 训练情感分析 TFLite 模型并将其部署到移动应用。如需详细了解 TFLite 和 Firebase，请查看其他 TFLite 示例和 Firebase 入门指南。
所学内容
- TensorFlow Lite
- Firebase ML
后续步骤
- 使用 Firebase Performance Monitoring 衡量模型的推断速度。
- 通过 Firebase ML Model Management API 将模型从 Colab 直接部署到 Firebase。
- 添加一种机制，允许用户针对预测结果提供反馈，并使用 Firebase Analytics 跟踪用户反馈。
- 使用 Firebase A/B Testing 对平均字词向量模型和 MobileBERT 模型进行 A/B 测试。