Bert Base Uncased Emotion

🚀 bert-base-uncased-emotion

本項目基於BERT模型在情感數據集上進行微調，可用於文本情感分類任務，能準確識別文本中的情感類別，在Twitter情感數據集上表現出色。

🚀 快速開始

使用以下代碼示例即可快速使用該模型進行文本情感分類：

from transformers import pipeline
classifier = pipeline("text-classification",model='bhadresh-savani/bert-base-uncased-emotion', return_all_scores=True)
prediction = classifier("I love using transformers. The best part is wide range of support and its easy to use", )
print(prediction)

"""
output:
[[
{'label': 'sadness', 'score': 0.0005138228880241513}, 
{'label': 'joy', 'score': 0.9972520470619202}, 
{'label': 'love', 'score': 0.0007443308713845909}, 
{'label': 'anger', 'score': 0.0007404946954920888}, 
{'label': 'fear', 'score': 0.00032938539516180754}, 
{'label': 'surprise', 'score': 0.0004197491507511586}
]]
"""

✨ 主要特性

• 基於BERT架構：採用Transformer雙向編碼器架構，在MLM（掩碼語言模型）目標上進行預訓練。
• 微調優化：在情感數據集上進行微調，能更好地適應文本情感分類任務。
• 多指標評估：在多個評估指標上表現良好，如準確率和F1分數。

📦 安裝指南

文檔未提及具體安裝步驟，可參考Hugging Face相關庫的安裝方式。

💻 使用示例

基礎用法

from transformers import pipeline
classifier = pipeline("text-classification",model='bhadresh-savani/bert-base-uncased-emotion', return_all_scores=True)
prediction = classifier("I love using transformers. The best part is wide range of support and its easy to use", )
print(prediction)

"""
output:
[[
{'label': 'sadness', 'score': 0.0005138228880241513}, 
{'label': 'joy', 'score': 0.9972520470619202}, 
{'label': 'love', 'score': 0.0007443308713845909}, 
{'label': 'anger', 'score': 0.0007404946954920888}, 
{'label': 'fear', 'score': 0.00032938539516180754}, 
{'label': 'surprise', 'score': 0.0004197491507511586}
]]
"""

📚 詳細文檔

模型描述

Bert 是一種基於Transformer的雙向編碼器架構，在MLM（掩碼語言模型）目標上進行訓練。 bert-base-uncased 使用HuggingFace的Trainer在情感數據集上進行微調，訓練參數如下：

學習率 2e-5，
批量大小 64，
訓練輪數 8

模型在Twitter情感數據集上的性能比較

數據集

Twitter-Sentiment-Analysis

訓練過程

可參考 Colab Notebook，將模型名稱從distilbert改為bert即可。

評估結果

{
 'test_accuracy': 0.9405,
 'test_f1': 0.9405920712282673,
 'test_loss': 0.15769127011299133,
 'test_runtime': 10.5179,
 'test_samples_per_second': 190.152,
 'test_steps_per_second': 3.042
 }

參考資料

• Natural Language Processing with Transformer By Lewis Tunstall, Leandro von Werra, Thomas Wolf

📄 許可證

本項目採用Apache-2.0許可證。