Android 如何序列化NLP分类模型

我试图在PyTorch android demo应用程序中使用一个新的NLP模型，但是我正在努力序列化该模型，以便它与android一起工作

PyTorch对Resnet模型的演示如下：

model = torchvision.models.resnet18(pretrained=True)
model.eval()
example = torch.rand(1, 3, 224, 224)
traced_script_module = torch.jit.trace(model, example)
traced_script_module.save("app/src/main/assets/model.pt")

但是，我不确定我的NLP模型的“示例”输入使用什么

我在fastai教程中使用的模型和python链接如下：

下面是用于创建我的模型的Python（使用Fastai库）。它与上面的模型链接中的相同，但形式简化

from fastai.text import *
path = untar_data('http://files.fast.ai/data/examples/imdb_sample')
path.ls()
#: [PosixPath('/storage/imdb_sample/texts.csv')]
data_lm = TextDataBunch.from_csv(path, 'texts.csv')
data = (TextList.from_csv(path, 'texts.csv', cols='text')
                .split_from_df(col=2)
                .label_from_df(cols=0)
                .databunch())
bs=48
path = untar_data('https://s3.amazonaws.com/fast-ai-nlp/imdb')
data_lm = (TextList.from_folder(path)
            .filter_by_folder(include=['train', 'test', 'unsup']) 
            .split_by_rand_pct(0.1)
            .label_for_lm()           
            .databunch(bs=bs))
learn = language_model_learner(data_lm, AWD_LSTM, drop_mult=0.3)
learn.fit_one_cycle(1, 1e-2, moms=(0.8,0.7))
learn.unfreeze()
learn.fit_one_cycle(10, 1e-3, moms=(0.8,0.7))
learn.save_encoder('fine_tuned_enc')
path = untar_data('https://s3.amazonaws.com/fast-ai-nlp/imdb')
data_clas = (TextList.from_folder(path, vocab=data_lm.vocab)
             .split_by_folder(valid='test')
             .label_from_folder(classes=['neg', 'pos'])
             .databunch(bs=bs))
learn = text_classifier_learner(data_clas, AWD_LSTM, drop_mult=0.5)
learn.load_encoder('fine_tuned_enc')
learn.fit_one_cycle(1, 2e-2, moms=(0.8,0.7))
learn.freeze_to(-2)
learn.fit_one_cycle(1, slice(1e-2/(2.6**4),1e-2), moms=(0.8,0.7))
learn.freeze_to(-3)
learn.fit_one_cycle(1, slice(5e-3/(2.6**4),5e-3), moms=(0.8,0.7))
learn.unfreeze()
learn.fit_one_cycle(2, slice(1e-3/(2.6**4),1e-3), moms=(0.8,0.7))

---

过了一段时间，我想出了如何做到这一点。问题是，无论我使用的是什么形状的输入，Fastai模型都无法正确跟踪

最后，我使用了另一个文本分类模型，并使其正常工作。我写了一篇关于我是如何做到这一点的教程，以防它能帮助其他人

首先，使用您首选的云计算机提供商（我使用Paperspace）打开一个新的Jupyter Python笔记本

接下来，复制并运行PyTorch文本分类教程中的代码。但是换掉这条线

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

与

device = torch.device("cpu")

注意：当设备设置为CUDA时，它会导致跟踪问题，因此我将其强制安装到CPU上。（这将减慢训练速度，但移动设备上的推理将以与cpu相同的速度运行）

最后，运行以下代码以正确跟踪模型，使其能够在Android上运行：

data = DataLoader(test_dataset, batch_size=1, collate_fn=generate_batch)
for text, offsets, cls in data:
        text, offsets, cls = text.to(device), offsets.to(device), cls.to(device)
example = text, offsets
traced_script_module = torch.jit.trace(model, example)
traced_script_module.save("model.pt")

此外，如果您希望在进行预测时在Android上使用vocab列表的CSV副本，请稍后运行以下代码：

import pandas as pd
vocab = train_dataset.get_vocab()
df = pd.DataFrame.from_dict(vocab.stoi, orient='index', columns=['token'])
df[:30]
df.to_csv('out.csv')

---

这个模型应该可以在Android上使用PyTorch API正常工作。

gen您将什么输入传递给您的模型？它的形状是什么？一串文字。例如，learn.predict（“我真的很喜欢那部电影，太棒了！”）当你训练模特的时候，我很确定你没有像这样传球。当你训练模型时，输入的形状是如何传递的？这是我不确定的事情之一，如何计算出用于训练模型的输入的形状。我用来创建模型的所有代码都链接在上面的第二个链接中。我将看看是否可以将相关代码缩短为注释。我已添加了上述模型的培训。请将您的教程作为答案导入此处，否则您的答案将在几天后被版主删除。这被认为是链接唯一的答案