1. 准备工作
在此 Codelab 中，您将学习如何更新文本分类模型，该模型是以原始博客垃圾评论数据集为基础构建的，并且使用您自己的评论进行了增强，所以您可以构建一个与您的数据结合使用的模型。
前提条件
此 Codelab 是“移动文本分类入门”在线课程的一部分。此在线课程中的 Codelab 是按顺序编排的。您要学习的应用和模型应该与之前学习过的课程一起构建。如果您还没有完成之前的活动，请立即停止，立即行动：
- 构建基本的消息样式应用
- 构建垃圾评论机器学习模型
- 更新应用以使用垃圾内容过滤机器学习模型
学习内容
- 如何更新您在“移动文本分类入门”在线课程中构建的文本分类模型
- 如何自定义模型以阻止应用中最常见的垃圾内容
所需物品
- 您在之前 activity 中观察和构建的即时通讯应用和垃圾内容过滤模型。
2. 增强文本分类
您可以通过克隆此代码库并从 TextClassificationStep2 加载应用来获得此代码。您可以在 TextClassificationOnMobile->Android 路径中找到它。
finished 代码也以 TextClassificationStep3 的形式提供给您。
如果您打开自己构建的消息应用并尝试发送此消息，其垃圾内容得分会非常低：
这样的拼写错误是避免垃圾邮件过滤器的常见方法。虽然邮件看似无害，但垃圾邮件发件人通常会在用户 ID 中添加链接（而不是邮件本身，因为具有邮件的链接可能会触发过滤器）。
在本实验中，您将学习如何使用新数据更新模型。完成上述操作后，用相同的语句运行就可以得到如下结果，其中该消息被识别为垃圾邮件！
3.修改 CSV 文件
为了训练原始模型，我们创建了一个 CSV 文件 (lmblog_comments.csv)，其中包含将近 1000 个标记为垃圾内容或非垃圾评论的评论。如果您想检查该 CSV 文件，请在任意文本编辑器中打开它。
CSV 文件的组成是让第一行描述列，这里的列标有 commenttext 和 spam。
后续的每一行都遵循以下格式：
右侧的标签为垃圾邮件标签，为非垃圾邮件标签。在这种情况下，系统会将第 3 行视为垃圾邮件。
要添加您自己的评论，例如，如果您的许多用户在您的网站上发送包含在线交易消息的垃圾评论，您只需在网站底部添加垃圾评论示例即可。例如：
online trading can be highly highly effective,true online trading can be highly effective,true online trading now,true online trading here,true online trading for the win,true
完成后，使用新名称（例如 lmblog_comments.csv）保存该文件，您将可以使用它来训练新模型。
在此 Codelab 的剩余部分中，您将使用提供在线交易更新的 Google Cloud Storage 中提供的示例，对其进行修改和托管。如果您想使用自己的数据集，可以更改代码中的网址！
4.使用新数据重新训练模型
如需重新训练该模型，您只需重复使用之前的代码 (SpamCommentsModelMaker.ipynb)，但将其指向新的 CSV 数据集（称为 lmblog_comments_extras.csv）。如果您需要包含更新内容的完整笔记本，可以在 SpamCommentsUpdateModelMaker.ipynb 中找到它。
如果您可以访问 Google Colab，则可以直接从此处启动该 SDK，或者从代码库中获取此代码，并在您选择的笔记本环境中运行它。
以下是更新后的代码：
training_data = tf.keras.utils.get_file(fname='comments-spam-extras.csv',
origin='https://storage.googleapis.com/laurencemoroney-blog.appspot.com/
lmblog_comments_extras.csv',
extract=False)
在训练时，您应该会看到模型仍会保持较高的准确率：
通过笔记本下载 model、vocab 和 labels 文件。在下一步中，您将在 Android 中集成这些 API。
5. 更新您的 Android 应用
- 在 Android Studio 中打开该应用，并确保在项目浏览器顶部选择 Android。
- 找到您的
assets文件，其中包含旧版模型文件中的标签、模型和词汇表。
- 右键点击素材资源文件夹。
- 在菜单中，选择使用操作系统的文件管理器打开文件夹的选项。（在查找器中显示如下所示。即在 Windows 上为在资源管理器中显示，在 Linux 上为在“文件”中打开或类似选项）。
- 此操作会在操作系统的文件管理器中打开包含模型、词汇表和标签的目录。复制您在上一步中创建的新对象。
您无需对应用中的代码做出任何更改。运行代码并进行测试，您会看到如上所示的结果，在该模型中，模型进行了改进，能够检测到“做成交易”文本场景。
代码库的完整版本以 TextClassificationStep3 形式存储在代码库中。
6.更新您的 iOS 应用
您可以通过克隆此代码库并从 TextClassificationStep2 加载应用来获得此代码。您可以在 TextClassificationOnMobile->Android 路径中找到它。
finished 代码也以 TextClassificationStep3 的形式提供给您。
如果您完成上一个 Codelab，将有一个适用于基本模型的 iOS 版本的 TextClassificationStep2。如果您想从我们的现有版本着手，只需从代码库中获取该版本。它可以与使用垃圾评论数据进行训练的第一个模型配合使用，您可能会看到如下结果：
更新应用以使用新模型非常简单。最简单的方法是直接转到文件浏览器，获取新版本的 model.tflite、vocab 和 labels.txt，然后将它们复制到您的项目目录中。
完成此操作后，您的应用将与新模型配合使用，您可以尝试一下。以下示例展示了同一句话，但使用了新的模型：
7. 恭喜
大功告成！通过使用新数据重新训练模型，并将其添加到您的 Android 和 iOS 应用中，您可以更新其功能，而无需编写任何新代码！
后续步骤
此模型只是一个玩具，仅基于 1000 项数据进行了训练。
在探索自然语言处理时，您可能需要使用更大的数据集。您还可以设置持续的训练流水线，当新数据进入并被标记为垃圾邮件时，它可以在后端自动重新训练模型，然后使用 Firebase 模型托管部署该模型。
您的用户会无缝获得更新后的模型，而无需您将其复制为资源，然后重新编译并重新分发。例如，您还可以使用 Firebase Remote Config 管理发送垃圾内容的阈值，而不是您目前拥有的 0.8。
无限可能，我们将在本课程的后续 Codelab 中探索这些！