mr4/bert-base-jp-sentiment-analysis

mr4

Clasificación de texto

El modelo tiene la capacidad de identificar el sentimiento de un texto. Utiliza etiquetas: 'positive', 'negative'. Ejemplos: 今日はいい天気ですね negative: 6.001393558108248e-05 positive: 0.999940037727356 今日の食べ物はとてもつまらない negative: 0.9999252557754517 positive: 7.470489799743518e-05

Como usar

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
import os

def clear():
    os.system('clear')

checkpoint = 'mr4/bert-base-jp-sentiment-analysis'
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)
clear()
print('¿Cómo está su día hoy?')
val = input('')
raw_inputs = [val]
inputs = tokenizer(raw_inputs, padding=True, truncation=True, return_tensors='pt')
outputs = model(**inputs)
predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
clear()
print('>>>>>>>>>>>>>>>>>>>>>>>>>>')
for i, prediction in enumerate(predictions):
    print(raw_inputs[i])
    for j, value in enumerate(prediction):
        print('    ' + model.config.id2label[j] + ': ' + str(value.item()))

Funcionalidades

Clasificación de texto
Transformadores
PyTorch
Safetensors
Sentimiento en japonés

Casos de uso

Análisis de sentimiento en japonés
Evaluación de comentarios en japonés
Clasificación de textos en japonés según su tono emocional