Este explorador ya no se admite.
Actualice a Microsoft Edge para aprovechar las características y actualizaciones de seguridad más recientes, y disponer de soporte técnico.
Aprenda a analizar la opinión de los comentarios en tiempo real dentro de una aplicación web.
En este tutorial se muestra cómo crear una aplicación Razor Pages de ASP.NET Core que clasifica las opiniones de los comentarios del sitio web en tiempo real.
En este tutorial aprenderá a:
Puede encontrar el código fuente para este tutorial en el repositorio dotnet/machinelearning-samples.
Para obtener una lista de los requisitos previos e instrucciones de instalación, visite la Guía de instalación del Generador de modelos.
Cree una aplicación Razor Pages de ASP.NET Core.
Descargue el conjunto de datos detox de Wikipedia. Cuando se abra la página web, haga clic con el botón derecho en la página, seleccione Guardar como y guarde el archivo en cualquier parte del equipo.
Cada fila del conjunto de datos wikipedia-detox-250-line-data.tsv presenta una opinión distinta que un usuario deja en Wikipedia. La primera columna representa el sentimiento del texto (0 indica no tóxico, 1 indica tóxico) y la segunda columna representa el comentario que deja el usuario. Las columnas están separadas por tabulaciones. Los datos tienen un aspecto similar al siguiente:
| Opinión | SentimentText |
|---|---|
| 1 | ==RUDE== Dude, you are rude upload that carl picture back, or else. (Oye, vuelve a subir esa foto de Carl o te las verás conmigo). |
| 1 | == OK! == IM GOING TO VANDALIZE WILD ONES WIKI THEN!!! (BUENO, ENTONCES VOY A VANDALIZAR ALGUNAS WIKI). |
| 0 | I hope this helps. (Espero que esto ayude). |
Al agregar por primera vez un modelo de Machine Learning a la solución, se le pedirá que cree un archivo mbconfig. El archivo mbconfig realiza el seguimiento de todo lo que hace en Model Builder para permitirle volver a abrir la sesión.
Para entrenar el modelo, deberá seleccionarlo en la lista de escenarios de aprendizaje automático disponibles proporcionada por el Generador de modelos.
En este ejemplo, la tarea es la clasificación de texto. En el paso Escenario de la extensión Model Builder, seleccione el escenario Clasificación de imágenes.
Model Builder puede entrenar en diferentes entornos en función del escenario seleccionado.
Seleccione Local (GPU) como entorno y haga clic en el botón Siguiente paso.
Nota
En este escenario, se usan técnicas de aprendizaje profundo que funcionan mejor en entornos de GPU. Si no tiene una GPU, elija el entorno Local (CPU), pero tenga en cuenta que el tiempo esperado para el entrenamiento será significativamente más largo. Para obtener más información sobre el uso de GPU con Model Builder, consulte la Instalación de la compatibilidad con GPU en Model Builder.
El Generador de modelos acepta datos de dos orígenes, una base de datos de SQL Server o un archivo local en formato csv o tsv.
La tarea de aprendizaje automático que se usa para entrenar el modelo de análisis de sentimiento en este tutorial es la clasificación de texto. Durante el proceso de entrenamiento del modelo, Model Builder entrena un modelo de clasificación de texto para el conjunto de datos mediante la arquitectura de red neuronal NAS-BERT.
Seleccione Iniciar entrenamiento.
Una vez completado el entrenamiento, los resultados del proceso de entrenamiento se muestran en la sección Resultados del entrenamiento de la pantalla Entrenar. Además de proporcionar los resultados del entrenamiento, se crean tres archivos de código subyacente en el archivo SentimentAnalysis.mbconfig.
ModelInput y ModelOutput, así como la función Predict generada para consumir el modelo.Seleccione el botón Siguiente paso para ir al paso siguiente.
El resultado del paso de entrenamiento será un modelo que tiene el mejor rendimiento. En el paso de evaluación de la herramienta Model Builder, la sección de salida contendrá el entrenador utilizado por el modelo de mejor rendimiento así como las métricas de evaluación.
Si no está satisfecho con las métricas de evaluación, algunas maneras fáciles de intentar mejorar el rendimiento del modelo consisten en usar más datos.
En caso contrario, seleccione el botón Siguiente paso para avanzar al paso Consumo de Model Builder.
En el paso Consumo, Model Builder proporciona plantillas de proyecto que puede usar para consumir el modelo. Este paso es opcional y puede elegir el método que mejor se adapte a sus necesidades para usar el modelo.
Para realizar una sola predicción, tendrá que crear un objeto PredictionEngine<TSrc,TDst>. PredictionEngine<TSrc,TDst> no es seguro para subprocesos. Además, tiene que crear una instancia en cualquier lugar en que se necesite dentro de la aplicación. A medida que crece la aplicación, este proceso puede volverse difícil de administrar. Para mejorar el rendimiento y la seguridad para subprocesos, use una combinación de inserción de dependencias y el servicio PredictionEnginePool, que crea un elemento ObjectPool<T> de objetos PredictionEngine<TSrc,TDst> para usarlo en toda la aplicación.
Instale el paquete Microsoft.Extensions.ML de NuGet:
Abra el archivo Program.cs del proyecto SentimentRazor.
Agregue las instrucciones USING siguientes para hacer referencia al paquete de NuGet Microsoft.Extensions.ML y al proyecto SentimentRazorML.Model:
using Microsoft.Extensions.ML;
using static SentimentRazor.SentimentAnalysis;
Configure el elemento PredictionEnginePool<TData,TPrediction> de la aplicación en el archivo Program.cs:
builder.Services.AddPredictionEnginePool<ModelInput, ModelOutput>()
.FromFile("SentimentAnalysis.zip");
Las predicciones se realizarán dentro de la página principal de la aplicación. Por tanto, se necesita un método que tome las entradas del usuario y use PredictionEnginePool<TData,TPrediction> para devolver una predicción.
Abra el archivo Index.cshtml.cs ubicado en el directorio Pages y agregue las instrucciones USING siguientes:
using Microsoft.Extensions.ML;
using static SentimentRazor.SentimentAnalysis;
Para usar el elemento PredictionEnginePool<TData,TPrediction> configurado en el archivo Program.cs, debe insertarlo en el constructor del modelo donde quiere usarlo.
Agregue una variable para hacer referencia a PredictionEnginePool<TData,TPrediction> dentro de la clase IndexModel dentro del archivo Pages/Index.cshtml.cs.
private readonly PredictionEnginePool<ModelInput, ModelOutput> _predictionEnginePool;
Modifique el constructor en la clase IndexModel e inserte el servicio PredictionEnginePool<TData,TPrediction> en él.
public IndexModel(ILogger<IndexModel> logger, PredictionEnginePool<ModelInput, ModelOutput> predictionEnginePool)
{
_logger = logger;
_predictionEnginePool = predictionEnginePool;
}
Cree un controlador de método que use PredictionEnginePool para hacer predicciones a partir de la información proporcionada por el usuario recibida desde la página web.
Debajo del método OnGet, cree un método nuevo denominado OnGetAnalyzeSentiment.
public IActionResult OnGetAnalyzeSentiment([FromQuery] string text)
{
}
Dentro del método OnGetAnalyzeSentiment, devuelva un sentimiento neutral si la información ingresada por el usuario es nula o está en blanco.
if (String.IsNullOrEmpty(text)) return Content("Neutral");
Dada una entrada válida, cree una instancia nueva de ModelInput.
var input = new ModelInput { SentimentText = text };
Use PredictionEnginePool<TData,TPrediction> para predecir el sentimiento.
var prediction = _predictionEnginePool.Predict(input);
Convierta el valor bool de predicción en Tóxico o No tóxico con el código siguiente.
var sentiment = Convert.ToBoolean(prediction.PredictedLabel) ? "Toxic" : "Not Toxic";
Por último, devuelva el sentimiento a la página web.
return Content(sentiment);
Los resultados que devuelve el OnGetAnalyzeSentiment se mostrarán de manera dinámica en la página web Index.
Abra el archivo Index.cshtml del directorio Pages y reemplace su contenido por el código siguiente:
@page
@model IndexModel
@{
ViewData["Title"] = "Home page";
}
<div class="text-center">
<h2>Live Sentiment</h2>
<p><textarea id="Message" cols="45" placeholder="Type any text like a short review"></textarea></p>
<div class="sentiment">
<h4>Your sentiment is...</h4>
<p>😡 😐 😍</p>
<div class="marker">
<div id="markerPosition" style="left: 45%;">
<div>▲</div>
<label id="markerValue">Neutral</label>
</div>
</div>
</div>
</div>
A continuación, agregue el código de estilo CSS al final de la página site.css en el directorio wwwroot\css:
/* Style for sentiment display */
.sentiment {
background-color: #eee;
position: relative;
display: inline-block;
padding: 1rem;
padding-bottom: 0;
border-radius: 1rem;
}
.sentiment h4 {
font-size: 16px;
text-align: center;
margin: 0;
padding: 0;
}
.sentiment p {
font-size: 50px;
}
.sentiment .marker {
position: relative;
left: 22px;
width: calc(100% - 68px);
}
.sentiment .marker > div {
transition: 0.3s ease-in-out;
position: absolute;
margin-left: -30px;
text-align: center;
}
.sentiment .marker > div > div {
font-size: 50px;
line-height: 20px;
color: green;
}
.sentiment .marker > div label {
font-size: 30px;
color: gray;
}
Después, agregue código para enviar entradas desde la página web al controlador OnGetAnalyzeSentiment.
En el archivo site.js que se encuentra en el directorio wwwroot\js, cree una función llamada getSentiment para realizar una solicitud HTTP GET con la entrada del usuario al controlador OnGetAnalyzeSentiment.
function getSentiment(userInput) {
return fetch(`Index?handler=AnalyzeSentiment&text=${userInput}`)
.then((response) => {
return response.text();
})
}
A continuación, agregue otra función llamada updateMarker para actualizar dinámicamente la posición del marcador en la página web cuando se predice el sentimiento.
function updateMarker(markerPosition, sentiment) {
$("#markerPosition").attr("style", `left:${markerPosition}%`);
$("#markerValue").text(sentiment);
}
Cree una función de controlador de eventos llamada updateSentiment para obtener la entrada del usuario, envíela a la función OnGetAnalyzeSentiment mediante la función getSentiment y actualice el marcador con la función updateMarker.
function updateSentiment() {
var userInput = $("#Message").val();
getSentiment(userInput)
.then((sentiment) => {
switch (sentiment) {
case "Not Toxic":
updateMarker(100.0, sentiment);
break;
case "Toxic":
updateMarker(0.0, sentiment);
break;
default:
updateMarker(45.0, "Neutral");
}
});
}
Por último, registre el controlador de eventos y enlácelo al elemento textarea con el atributo id=Message.
$("#Message").on('change input paste', updateSentiment)
Ahora que la aplicación está configurada, ejecútela. Se debería iniciar en el explorador.
Cuando se inicie la aplicación, escriba Este modelo no tiene suficientes datos en el área de texto. El sentimiento previsto que aparece debe ser Tóxico.
Nota
PredictionEnginePool<TData,TPrediction> crea varias instancias de PredictionEngine<TSrc,TDst>. Debido al tamaño del modelo, la primera vez que se usa para realizar una predicción, puede tardar un par de segundos. Las predicciones posteriores deben ser instantáneas.
En este tutorial ha aprendido a:
Para más información sobre los temas mencionados en este tutorial, visite estos recursos:
Comentarios de .NET
.NET es un proyecto de código abierto. Seleccione un vínculo para proporcionar comentarios:
Eventos
Compilación de aplicaciones y agentes de IA
17 mar, 21 - 21 mar, 10
Únase a la serie de reuniones para crear soluciones de inteligencia artificial escalables basadas en casos de uso reales con compañeros desarrolladores y expertos.
Regístrese ahora