该工具要求安装深度学习框架。 要设置计算机以在 AllSource 中使用深度学习框架，请参阅安装 ArcGIS 的深度学习框架。
该工具需要包含经过训练的模型信息的模型定义文件。 该模型可以使用训练文本分类模型工具进行训练。 输入模型定义文件参数值可以是 Esri 模型定义 JSON 文件 (.emd) 或深度学习模型包 (.dlpk)。 模型文件必须存储在本地。
该工具可以在 CPU 或 GPU 上运行。 但是，由于深度学习为计算密集型，因此建议使用 GPU。 要使用 GPU 运行此工具，请将处理器类型环境设置为 GPU。 如果您具有多个 GPU，还可以指定 GPU ID 环境
有关运行此工具的要求以及您可能遇到的问题的信息，请参阅深度学习常见问题。
| 标注 | 说明 | 数据类型 |
输入表 | 输入点、线或面要素类或表，其中包含将分类和标注的文本。 | Feature Layer; Table View |
文本字段 | 输入要素类或表中的文本字段，其中包含将分类的文本。 | Field |
输入模型定义文件 | 将用于分类的训练模型。 模型定义文件可以是本地存储的 Esri 模型定义 JSON 文件 (.emd) 或深度学习模型包 (.dlpk)。 | File |
类标注字段 (可选) | 将包含模型分配的类或类别标注的字段名称。 默认字段名称为 ClassLabel。 | String |
模型参数 (可选) | 将用于调整模型输出的其他参数，例如 sequence_length 或 confidence_threshold。 将使用该工具填充参数名称。 注：模型参数 confidence_threshold 仅适用于多标注文本分类。 | Value Table |
| 标注 | 说明 | 数据类型 |
| 已更新的表 | 输出点、线或面要素类或表，其中包含派生自输入数据的已分类和已标注文本以及每个类的置信值。 | Table View; Feature Layer |
arcpy.geoai.ClassifyTextUsingDeepLearning(in_table, text_field, in_model_definition_file, {class_label_field}, {model_arguments})| 名称 | 说明 | 数据类型 |
in_table | 输入点、线或面要素类或表，其中包含将分类和标注的文本。 | Feature Layer; Table View |
text_field | 输入要素类或表中的文本字段，其中包含将分类的文本。 | Field |
in_model_definition_file | 将用于分类的训练模型。 模型定义文件可以是本地存储的 Esri 模型定义 JSON 文件 (.emd) 或深度学习模型包 (.dlpk)。 | File |
class_label_field (可选) | 将包含模型分配的类或类别标注的字段名称。 默认字段名称为 ClassLabel。 | String |
model_arguments [model_arguments,...] (可选) | 将用于调整模型输出的其他参数，例如 sequence_length 或 confidence_threshold。 将使用该工具填充参数名称。 注：模型参数 confidence_threshold 仅适用于多标注文本分类。 | Value Table |
| 名称 | 说明 | 数据类型 |
| updated_table | 输出点、线或面要素类或表，其中包含派生自输入数据的已分类和已标注文本以及每个类的置信值。 | Table View; Feature Layer |
以下 Python 窗口脚本演示了如何使用 ClassifyTextUsingDeepLearning 函数。
# Name: ClassifyText.py
# Description: Classify text into multiple classes
#
# Requirements: ArcGIS Pro Advanced license
# Import system modules
import arcpy
arcpy.env.workspace = "C:/textanalysisexamples/data"
# Set local variables
in_table = "TextClassifierData"
pretrained_model_path_emd = "c:\\classifydata\\TextClassifier.emd"
# Run Classify Text Using Deep Learning
arcpy.geoai.ClassifyTextUsingDeepLearning(in_table, "Address", pretrained_model_path_emd)