【源码】基于Python和PyTorch框架的情感分析系统

项目简介

本项目是基于Python和PyTorch框架构建的情感分析系统，借助多种NLP技术范式达成文本情感分类。项目实现了从非神经网络时代的完全监督学习到预训练、提示、预测范式的多种模型，如BERT、LSTM和基于Prompt的模型。

项目的主要特性和功能

1. 多范式模型实现
   • P2范式：基于神经网络的完全监督学习，采用词向量+LSTM模型。
   • P3范式：预训练，精调范式，运用BERT + TextCNN模型。
   • P4范式：预训练，提示，预测范式，实现基于Prompt的QA风格模型。
2. 高性能训练与测试
   • 可在RTX 3090 GPU上高效开展训练和测试工作。
   • 提供清晰详细的训练和测试命令，方便用户快速上手。
3. 结果评估
   • 提供详细的模型评估结果，包含F1分数和准确率，助于用户了解模型性能。
   • 以图表形式展示模型在线测试结果，直观呈现模型效果。

安装使用步骤

环境配置

• 确保已安装Python 3.x和PyTorch。
• 使用以下命令安装项目所需的Python包： bash pip install -r requirements.txt

数据准备

准备情感分析所需的文本数据集，保证数据格式符合项目要求。

模型训练

使用以下命令启动训练： bash CUDA_VISIBLE_DEVICES=2 nohup python -m src.pipeline.train --batch_size 16 > bert_bs16.log &

模型测试

使用以下命令进行模型测试： bash CUDA_VISIBLE_DEVICES=2 nohup python -m src.pipeline.test --batch_size 16 --ckpt /path/to/checkpoint > bert_test_bs16.log &

结果查看

• 查看训练和测试日志文件，了解模型训练和测试的详细过程。
• 通过图表文件（如bert_result.png）查看模型在线测试结果。

注意事项

• GPU支持：建议在支持CUDA的GPU上运行项目，提升训练和测试效率。
• 数据格式：确保输入数据格式正确，尤其注意文本和标签的对应关系。
• 模型保存：训练过程会保存最佳模型，测试时需加载相应的模型文件。
• 参数调整：根据实际需求调整训练和测试命令中的参数，如批量大小、学习率等。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】