Sentiment Analysis

🚀 情感分析模型（基於DistilBERT）

本倉庫包含一個使用DistilBERT架構在IMDb電影評論數據集上微調的情感分析模型。該模型旨在將文本輸入分類為積極或消極情感類別。

🚀 快速開始

若要使用該模型，你需要從Hugging Face安裝transformers庫。可以使用以下pip命令進行安裝：

pip install transformers

安裝完成後，你可以使用以下代碼對文本進行分類：

from transformers import DistilBertTokenizer, DistilBertForSequenceClassification
import torch

# 從Hugging Face Hub加載分詞器和模型
tokenizer = DistilBertTokenizer.from_pretrained(Pranav-10/Sentimental_Analysis)
model = DistilBertForSequenceClassification.from_pretrained(Pranav-10/Sentimental_Analysis)

# 示例文本
text = "I loved this movie. The performances were fantastic!"

# 對文本進行分詞並轉換為張量
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)

# 預測情感
with torch.no_grad():
    logits = model(**inputs).logits

# 使用softmax將logits轉換為概率
probabilities = torch.softmax(logits, dim=-1)

# 輸出結果
print(probabilities)

✨ 主要特性

• 高效架構：基於DistilBERT架構，它是BERT的輕量級版本，在保持性能的同時，具有更小的模型尺寸和更快的處理速度。
• 高準確率：在IMDb數據集上進行微調，能夠高效地將文本分類為積極或消極情感。

📦 安裝指南

使用該模型前，需安裝Hugging Face的transformers庫，安裝命令如下：

pip install transformers

💻 使用示例

基礎用法

from transformers import DistilBertTokenizer, DistilBertForSequenceClassification
import torch

# 從Hugging Face Hub加載分詞器和模型
tokenizer = DistilBertTokenizer.from_pretrained(Pranav-10/Sentimental_Analysis)
model = DistilBertForSequenceClassification.from_pretrained(Pranav-10/Sentimental_Analysis)

# 示例文本
text = "I loved this movie. The performances were fantastic!"

# 對文本進行分詞並轉換為張量
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)

# 預測情感
with torch.no_grad():
    logits = model(**inputs).logits

# 使用softmax將logits轉換為概率
probabilities = torch.softmax(logits, dim=-1)

# 輸出結果
print(probabilities)

📚 詳細文檔

模型描述

該模型基於DistilBERT架構，這是BERT的一個更小、更快、更便宜且更輕量級的版本。它在IMDb數據集上進行了微調，該數據集包含50,000條標記為積極或消極的電影評論。

DistilBERT已被證明在保持BERT大部分性能的同時，具有更高的效率。這使其成為情感分析任務的理想選擇，因為在這些任務中，模型的大小和速度至關重要。

評估結果

該模型在IMDb數據集上取得了以下性能：

訓練過程

該模型使用以下步驟進行訓練：

• 預處理：將所有評論轉換為小寫，並使用DistilBERT分詞器進行分詞。
• 優化：使用Adam優化器，學習率為2e - 5，批量大小為16，並訓練3個epoch。
• 硬件：在單個NVIDIA GTX 1650 GPU上進行訓練。

📄 許可證

本項目採用Apache-2.0許可證。