با TensorFlow Lite و Firebase - Android Codelab توصیه هایی را به برنامه خود اضافه کنید

به توصیه‌های مربوط به TensorFlow Lite و Codelab Firebase خوش آمدید. در این کد لبه یاد خواهید گرفت که چگونه از TensorFlow Lite و Firebase برای استقرار یک مدل توصیه در برنامه خود استفاده کنید. این Codelab بر اساس این مثال TensorFlow Lite است.

توصیه‌ها به برنامه‌ها اجازه می‌دهند تا از یادگیری ماشینی برای ارائه هوشمندانه‌ترین محتوا برای هر کاربر استفاده کنند. آنها رفتار کاربر گذشته را در نظر می گیرند تا محتوای برنامه ای را که کاربر ممکن است بخواهد در آینده با آن تعامل داشته باشد، با استفاده از مدلی که بر روی رفتار جمعی تعداد زیادی از کاربران دیگر آموزش دیده است، پیشنهاد می کنند.

این آموزش نشان می‌دهد که چگونه با Firebase Analytics داده‌هایی را از کاربران برنامه خود به‌دست آورید، یک مدل یادگیری ماشینی برای توصیه‌هایی از آن داده‌ها بسازید، و سپس از آن مدل در یک برنامه اندروید برای اجرای استنتاج و دریافت توصیه‌ها استفاده کنید. به ویژه، توصیه‌های ما نشان می‌دهد که کاربر با توجه به فهرست فیلم‌هایی که قبلاً دوست داشته است، به احتمال زیاد کدام فیلم‌ها را تماشا می‌کند.

مخزن GitHub را از خط فرمان کلون کنید.

$ git clone https://github.com/FirebaseExtended/codelab-contentrecommendation-android.git

از Android Studio، پوشه codelab-recommendations-android را انتخاب کنید ( ) از نمونه کد دانلود ( File > Open > .../codelab-recommendations-android/start).

اکنون باید پروژه شروع را در Android Studio باز کنید.

1. از صفحه نمای کلی پروژه جدید خود، روی نماد Android کلیک کنید تا گردش کار راه اندازی شود.
2. نام بسته Codelab را وارد کنید: com.google.firebase.codelabs.recommendations
3. ثبت برنامه را انتخاب کنید.

plugins {
    id("com.google.gms.google-services")
}

plugins {
    id("com.google.gms.google-services") version "4.3.15" apply false
}

اکنون که پروژه را به Android Studio وارد کرده اید و افزونه google-services را با فایل JSON خود پیکربندی کرده اید، برای اولین بار آماده اجرای برنامه هستید. دستگاه اندروید خود را وصل کنید و روی Run کلیک کنید ( )در نوار ابزار Android Studio.

برنامه باید روی دستگاه شما راه اندازی شود. در این مرحله، می‌توانید یک برنامه کاربردی را مشاهده کنید که یک برگه با فهرست فیلم‌ها، یک تب فیلم‌های پسندیده و یک برگه توصیه‌ها را نشان می‌دهد. می توانید روی یک فیلم در لیست فیلم ها کلیک کنید تا آن را به لیست پسندیده خود اضافه کنید. پس از انجام مراحل باقیمانده از نرم افزار کد، می توانیم توصیه های فیلم را در تب توصیه ها تولید کنیم.

در این مرحله، Firebase Analytics را برای ثبت داده‌های رفتار کاربر (در این مورد، فیلم‌هایی که کاربر دوست دارد) به برنامه اضافه می‌کنید. این داده‌ها در مراحل آتی برای آموزش مدل توصیه‌ها به صورت مجموع استفاده خواهند شد.

implementation(platform("com.google.firebase:firebase-bom:32.0.0"))
implementation("com.google.firebase:firebase-analytics-ktx")

import com.google.firebase.analytics.FirebaseAnalytics
import com.google.firebase.analytics.ktx.analytics
import com.google.firebase.analytics.ktx.logEvent
import com.google.firebase.ktx.Firebase


class LikedMoviesViewModel internal constructor (application: Application) : AndroidViewModel(application) {

    ...

    fun onMovieLiked(movie: Movie) {
        movies.setLike(movie, true)
        logAnalyticsEvent(movie.id.toString())
    }
       
}

import com.google.firebase.analytics.FirebaseAnalytics
import com.google.firebase.analytics.ktx.analytics
import com.google.firebase.analytics.ktx.logEvent
import com.google.firebase.ktx.Firebase


class LikedMoviesViewModel internal constructor (application: Application) : AndroidViewModel(application) {
    ...
    private val firebaseAnalytics = Firebase.analytics

    ...

    /**
     * Logs an event in Firebase Analytics that is used in aggregate to train the recommendations
     * model.
     */
    private fun logAnalyticsEvent(id: String) {
        firebaseAnalytics.logEvent(FirebaseAnalytics.Event.SELECT_ITEM) {
            param(FirebaseAnalytics.Param.ITEM_ID, id)
        }
    }

در این مرحله، رویدادهای Analytics را در برنامه تولید می‌کنیم و تأیید می‌کنیم که آنها به کنسول Firebase ارسال می‌شوند.

adb shell setprop debug.firebase.analytics.app com.google.firebase.codelabs.recommendations

Big Query یک محصول Google Cloud است که به شما امکان می دهد حجم زیادی از داده ها را بررسی و پردازش کنید. در این مرحله، پروژه Firebase Console خود را به Big Query متصل می کنید تا داده های Analytics تولید شده توسط برنامه شما به طور خودکار به Big Query صادر شود.

اکنون که کنسول Firebase خود را برای صادرات به BigQuery متصل کرده‌ایم، داده‌های رویداد تجزیه و تحلیل برنامه ما پس از مدتی به‌طور خودکار در کنسول BigQuery نشان داده می‌شود. برای به دست آوردن برخی از داده های اولیه برای اهداف این آموزش، در این مرحله یک مجموعه داده نمونه موجود را به کنسول BigQuery شما وارد می کنیم تا از آن برای آموزش مدل توصیه های خود استفاده کنیم.

در این مرحله از یک نوت بوک Colab برای انجام مراحل زیر استفاده می کنیم:

1. داده های BigQuery را به نوت بوک Colab وارد کنید
2. داده ها را پیش پردازش کنید تا برای آموزش مدل آماده شوند
3. آموزش مدل توصیه‌ها بر روی داده‌های تحلیلی
4. مدل را به عنوان یک مدل TF lite صادر کنید
5. مدل را در کنسول Firebase قرار دهید تا بتوانیم از آن در برنامه خود استفاده کنیم

قبل از راه اندازی نوت بوک آموزشی Colab، ابتدا API مدیریت مدل Firebase را فعال می کنیم تا Colab بتواند مدل آموزش دیده را در کنسول Firebase ما مستقر کند.

در این مرحله، برنامه خود را تغییر می‌دهیم تا مدلی را که به تازگی آموزش داده‌ایم از Firebase Machine Learning بارگیری کند.

implementation("com.google.firebase:firebase-ml-modeldownloader:24.1.2")

    private fun downloadModel(modelName: String) {
        val conditions = CustomModelDownloadConditions.Builder()
            .requireWifi()
            .build()
        FirebaseModelDownloader.getInstance()
            .getModel(modelName, DownloadType.LOCAL_MODEL, conditions)
            .addOnCompleteListener {
                if (!it.isSuccessful) {
                    showToast(context, "Failed to get model file.")
                } else {
                    showToast(context, "Downloaded remote model: $modelName")
                    GlobalScope.launch { initializeInterpreter(it.result) }
                }
            }
            .addOnFailureListener {
                showToast(context, "Model download failed for recommendations, please check your connection.")
            }
    }

زمان اجرا Tensorflow Lite به شما امکان می دهد از مدل خود در برنامه برای ایجاد توصیه ها استفاده کنید. در مرحله قبل، یک مفسر TFlite را با فایل مدلی که دانلود کردیم، مقداردهی کردیم. در این مرحله، ابتدا یک فرهنگ لغت و برچسب‌هایی را برای همراهی مدل خود در مرحله استنتاج بارگذاری می‌کنیم، سپس پیش پردازش را برای تولید ورودی‌ها به مدل خود اضافه می‌کنیم و پس پردازش را اضافه می‌کنیم که در آن نتایج را از استنتاج خود استخراج می‌کنیم.

    /** Load recommendation candidate list.  */
    private suspend fun loadCandidateList() {
        return withContext(Dispatchers.IO) {
            val collection = MovieRepository.getInstance(context).getContent()
            for (item in collection) {
                candidates[item.id] = item
            }
            Log.v(TAG, "Candidate list loaded.")
        }
    }

    /** Given a list of selected items, preprocess to get tflite input.  */
    @Synchronized
    private suspend fun preprocess(selectedMovies: List<Movie>): IntArray {
        return withContext(Dispatchers.Default) {
            val inputContext = IntArray(config.inputLength)
            for (i in 0 until config.inputLength) {
                if (i < selectedMovies.size) {
                    val (id) = selectedMovies[i]
                    inputContext[i] = id
                } else {
                    // Padding input.
                    inputContext[i] = config.pad
                }
            }
            inputContext
        }
    }

    /** Given a list of selected items, and returns the recommendation results.  */
    @Synchronized
    suspend fun recommend(selectedMovies: List<Movie>): List<Result> {
        return withContext(Dispatchers.Default) {
            val inputs = arrayOf<Any>(preprocess(selectedMovies))

            // Run inference.
            val outputIds = IntArray(config.outputLength)
            val confidences = FloatArray(config.outputLength)
            val outputs: MutableMap<Int, Any> = HashMap()
            outputs[config.outputIdsIndex] = outputIds
            outputs[config.outputScoresIndex] = confidences
            tflite?.let {
                it.runForMultipleInputsOutputs(inputs, outputs)
                postprocess(outputIds, confidences, selectedMovies)
            } ?: run {
                Log.e(TAG, "No tflite interpreter loaded")
                emptyList()
            }
        }
    }

    /** Postprocess to gets results from tflite inference.  */
    @Synchronized
    private suspend fun postprocess(
        outputIds: IntArray, confidences: FloatArray, selectedMovies: List<Movie>
    ): List<Result> {
        return withContext(Dispatchers.Default) {
            val results = ArrayList<Result>()

            // Add recommendation results. Filter null or contained items.
            for (i in outputIds.indices) {
                if (results.size >= config.topK) {
                    Log.v(TAG, String.format("Selected top K: %d. Ignore the rest.", config.topK))
                    break
                }
                val id = outputIds[i]
                val item = candidates[id]
                if (item == null) {
                    Log.v(TAG, String.format("Inference output[%d]. Id: %s is null", i, id))
                    continue
                }
                if (selectedMovies.contains(item)) {
                    Log.v(TAG, String.format("Inference output[%d]. Id: %s is contained", i, id))
                    continue
                }
                val result = Result(
                    id, item,
                    confidences[i]
                )
                results.add(result)
                Log.v(TAG, String.format("Inference output[%d]. Result: %s", i, result))
            }
            results
        }
    }

شما با استفاده از TensorFlow Lite و Firebase یک ویژگی توصیه در برنامه خود ایجاد کرده اید. توجه داشته باشید که تکنیک ها و خط لوله نشان داده شده در این کد لبه را می توان تعمیم داد و برای ارائه انواع دیگر توصیه ها نیز استفاده کرد.