21----导出并运行其他机器学习模型

txtai 主要支持Hugging Face Transformers和ONNX模型。这使 txtai 能够连接到 Python 中可用的丰富模型框架，通过 API 将此功能导出到其他语言（JavaScript、Java、Go、Rust），甚至使用 ONNX 导出和本地加载模型。

其他机器学习框架呢？假设我们有一个经过良好调整的现有 TF-IDF + Logistic 回归模型。这个模型能不能导出到ONNX，用在txtai中做标注和相似度查询？或者简单的 PyTorch 文本分类器怎么样？是的，这两个都可以做到！

使用onnxmltools库，可以将来自scikit-learn、XGBoost和其他模型的传统模型导出到 ONNX 并加载 txtai。此外，Hugging Face 的训练器模块可以训练通用 PyTorch 模块。本笔记本将介绍所有这些示例。

安装依赖
安装txtai和所有依赖项。由于本文使用 ONNX 导出，我们需要安装 pipeline extras 包。
pip install txtai[pipeline,similarity] datasets
训练 TF-IDF + 逻辑回归模型
对于这个例子，我们将从 Hugging Face 数据集中加载情绪数据集，并使用 scikit-learn 构建一个 TF-IDF + Logistic 回归模型。

情感数据集具有以下标签：

悲伤 (0)
欢乐 (1)
爱 (2)
愤怒 (3)
恐惧 (4)
惊喜 (5)
from datasets import load_dataset

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline

ds = load_dataset(“emotion”)

Train the model

pipeline = Pipeline([
(‘tfidf’, TfidfVectorizer()),
(‘lr’, LogisticRegression(max_iter=250))
])

pipeline.fit(ds[“train”][“text”], ds[“train”][“label”])

Determine accuracy on validation set

results = pipeline.predict(ds[“validation”][“text”])
labels = ds[“validation”][“label”]

results = [results[x] == label for x, label in enumerate(labels)]
print(“Accuracy =”, sum(results) / len(ds[“validation”]))
Accuracy = 0.8595
86% 的准确率——还不错！虽然我们都沉浸在深度学习和高级方法中，好的 ole TF-IDF + Logistic 回归仍然是一个可靠的表现者并且运行速度更快。如果该级别的准确性有效，则没有理由使事情过于复杂。

使用 txtai 导出和加载
下一节将此模型导出到 ONNX 并展示该模型如何用于相似性查询。
from txtai.pipeline import Labels, MLOnnx, Similarity

def tokenize(inputs, **kwargs):
if isinstance(inputs, str):
inputs = [inputs]

return {"input_ids": [[x] fo