Deberta V3 Small Base Emotions Classifier

🚀 快速情感分类器（Fast Emotion-X）：基于微调DeBERTa V3 Small的情感检测模型

快速情感分类器（Fast Emotion-X）是一个基于微调DeBERTa V3 Small的情感检测模型，它利用dair-ai/emotion数据集，能够准确地将文本分类到六种情感类别中，为情感分析提供了高效且准确的解决方案。

🚀 快速开始

快速情感分类器（Fast Emotion-X）是一款基于微软DeBERTa V3 Small模型微调的先进情感检测模型。它旨在将文本准确分类到六种情感类别中。借助DeBERTa强大的能力，该模型在全面的情感数据集上进行了微调，确保了高准确性和可靠性。

✨ 主要特性

• 基于微调的DeBERTa V3 Small模型，具有较高的准确性和可靠性。
• 能够将文本准确分类到六种情感类别：愤怒、厌恶、恐惧、喜悦、悲伤和惊讶。
• 提供多种使用方式，包括Python包、Hugging Face transformers 库、命令行界面（CLI）等。
• 支持单文本分类、批量处理、数据框集成以及情感趋势分析等功能。

📦 安装指南

使用pip安装包：

pip install emotionclassifier

💻 使用示例

基础用法

以下是如何使用 emotionclassifier 对单个文本进行分类的示例：

from emotionclassifier import EmotionClassifier

# Initialize the classifier with the default model
classifier = EmotionClassifier()

# Classify a single text
text = "I am very happy today!"
result = classifier.predict(text)
print("Emotion:", result['label'])
print("Confidence:", result['confidence'])

高级用法 - 批量处理

你可以使用 predict_batch 方法一次性对多个文本进行分类：

texts = ["I am very happy today!", "I am so sad."]
results = classifier.predict_batch(texts)
print("Batch processing results:", results)

高级用法 - 可视化

要可视化文本的情感分布：

from emotionclassifier import plot_emotion_distribution

result = classifier.predict("I am very happy today!")
plot_emotion_distribution(result['probabilities'], classifier.labels.values())

高级用法 - 命令行界面（CLI）使用

你也可以从命令行使用该包：

emotionclassifier --model deberta-v3-small --text "I am very happy today!"

高级用法 - 数据框集成

与pandas数据框集成以对文本列进行分类：

import pandas as pd
from emotionclassifier import DataFrameEmotionClassifier

df = pd.DataFrame({
    'text': ["I am very happy today!", "I am so sad."]
})

classifier = DataFrameEmotionClassifier()
df = classifier.classify_dataframe(df, 'text')
print(df)

高级用法 - 情感趋势分析

分析并绘制随时间变化的情感趋势：

from emotionclassifier import EmotionTrends

texts = ["I am very happy today!", "I am feeling okay.", "I am very sad."]
trends = EmotionTrends()
emotions = trends.analyze_trends(texts)
trends.plot_trends(emotions)

高级用法 - 微调

在你自己的数据集上微调预训练模型：

from emotionclassifier.fine_tune import fine_tune_model

# Define your training and validation datasets
train_dataset = ...
val_dataset = ...

# Fine-tune the model
fine_tune_model(classifier.model, classifier.tokenizer, train_dataset, val_dataset, output_dir='fine_tuned_model')

高级用法 - 使用transformers库

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model_name = "AnkitAI/deberta-v3-small-base-emotions-classifier"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# Example usage
def predict_emotion(text):
    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=128)
    outputs = model(**inputs)
    logits = outputs.logits
    predictions = logits.argmax(dim=1)
    return predictions

text = "I'm so happy with the results!"
emotion = predict_emotion(text)
print("Detected Emotion:", emotion)

📚 详细文档

模型详情

• 模型名称：AnkitAI/deberta-v3-small-base-emotions-classifier
• 基础模型：microsoft/deberta-v3-small
• 数据集：dair-ai/emotion
• 微调：该模型针对情感检测进行了微调，带有一个用于六个情感类别的分类头：愤怒、厌恶、恐惧、喜悦、悲伤和惊讶。

情感标签

• 愤怒
• 厌恶
• 恐惧
• 喜悦
• 悲伤
• 惊讶

训练参数

• 学习率：2e-5
• 批量大小：4
• 权重衰减：0.01
• 评估策略：按轮次评估

训练详情

• 评估损失：0.0858
• 评估运行时间：110070.6349 秒
• 评估样本/秒：78.495
• 评估步数/秒：2.453
• 训练损失：0.1049
• 评估准确率：94.6%
• 评估精确率：94.8%
• 评估召回率：94.5%
• 评估F1分数：94.7%

模型卡片数据

📄 许可证

该模型遵循MIT许可证。