Sentiment Analysis

🚀 情感分析模型（基于DistilBERT）

本仓库包含一个使用DistilBERT架构在IMDb电影评论数据集上微调的情感分析模型。该模型旨在将文本输入分类为积极或消极情感类别。

🚀 快速开始

若要使用该模型，你需要从Hugging Face安装transformers库。可以使用以下pip命令进行安装：

pip install transformers

安装完成后，你可以使用以下代码对文本进行分类：

from transformers import DistilBertTokenizer, DistilBertForSequenceClassification
import torch

# 从Hugging Face Hub加载分词器和模型
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!"

# 对文本进行分词并转换为张量
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)

# 预测情感
with torch.no_grad():
    logits = model(**inputs).logits

# 使用softmax将logits转换为概率
probabilities = torch.softmax(logits, dim=-1)

# 输出结果
print(probabilities)

✨ 主要特性

• 高效架构：基于DistilBERT架构，它是BERT的轻量级版本，在保持性能的同时，具有更小的模型尺寸和更快的处理速度。
• 高准确率：在IMDb数据集上进行微调，能够高效地将文本分类为积极或消极情感。

📦 安装指南

使用该模型前，需安装Hugging Face的transformers库，安装命令如下：

pip install transformers

💻 使用示例

基础用法

from transformers import DistilBertTokenizer, DistilBertForSequenceClassification
import torch

# 从Hugging Face Hub加载分词器和模型
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!"

# 对文本进行分词并转换为张量
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)

# 预测情感
with torch.no_grad():
    logits = model(**inputs).logits

# 使用softmax将logits转换为概率
probabilities = torch.softmax(logits, dim=-1)

# 输出结果
print(probabilities)

📚 详细文档

模型描述

该模型基于DistilBERT架构，这是BERT的一个更小、更快、更便宜且更轻量级的版本。它在IMDb数据集上进行了微调，该数据集包含50,000条标记为积极或消极的电影评论。

DistilBERT已被证明在保持BERT大部分性能的同时，具有更高的效率。这使其成为情感分析任务的理想选择，因为在这些任务中，模型的大小和速度至关重要。

评估结果

该模型在IMDb数据集上取得了以下性能：

训练过程

该模型使用以下步骤进行训练：

• 预处理：将所有评论转换为小写，并使用DistilBERT分词器进行分词。
• 优化：使用Adam优化器，学习率为2e - 5，批量大小为16，并训练3个epoch。
• 硬件：在单个NVIDIA GTX 1650 GPU上进行训练。

📄 许可证

本项目采用Apache-2.0许可证。