ruBERT-tiny2 detección de emociones rusas

import torch
from transformers import BertForSequenceClassification, AutoTokenizer

LABELS = ['neutral', 'felicidad', 'tristeza', 'entusiasmo', 'miedo', 'ira', 'disgusto']
tokenizer = AutoTokenizer.from_pretrained('Aniemore/rubert-tiny2-russian-emotion-detection')
model = BertForSequenceClassification.from_pretrained('Aniemore/rubert-tiny2-russian-emotion-detection')

@torch.no_grad()
def predict_emotion(text: str) -> str:
    """
    Tomamos el texto de entrada, lo tokenizamos, lo pasamos por el modelo y luego devolvemos la etiqueta predicha.
    :param text: El texto a ser clasificado
    :type text: str
    :return: La emoción predicha
    """
    inputs = tokenizer(text, max_length=512, padding=True, truncation=True, return_tensors='pt')
    outputs = model(**inputs)
    predicted = torch.nn.functional.softmax(outputs.logits, dim=1)
    predicted = torch.argmax(predicted, dim=1).numpy()
    return LABELS[predicted[0]]

@torch.no_grad()
def predict_emotions(text: str) -> list:
    """
    Toma una cadena de texto, la tokeniza, la introduce al modelo y devuelve un diccionario de emociones y sus probabilidades.
    :param text: El texto que quieres clasificar
    :type text: str
    :return: Un diccionario de emociones y sus probabilidades.
    """
    inputs = tokenizer(text, max_length=512, padding=True, truncation=True, return_tensors='pt')
    outputs = model(**inputs)
    predicted = torch.nn.functional.softmax(outputs.logits, dim=1)
    emotions_list = {}
    for i in range(len(predicted.numpy()[0].tolist())):
        emotions_list[LABELS[i]] = predicted.numpy()[0].tolist()[i]
    return emotions_list

# Ejemplo de uso
simple_prediction = predict_emotion("Какой же сегодня прекрасный день, братья")
not_simple_prediction = predict_emotions("Какой же сегодня прекрасный день, братья")

print(simple_prediction)
print(not_simple_prediction)