Update README.md

README.md

@@ -1,3 +1,83 @@
 ---
 license: openrail
 ---
+验证集准确度: 0.9382193411826961
+验证集分类报告: 
+              precision    recall  f1-score   support
+
+    negative       0.93      0.95      0.94      3785
+    positive       0.95      0.96      0.95      6919
+     neutral       0.93      0.89      0.91      4414
+
+    accuracy                           0.94     15118
+   macro avg       0.94      0.93      0.93     15118
+weighted avg       0.94      0.94      0.94     15118
+
+大概使用了10w+的数据做了一个基金方面的中文情感分析模型，暂时测试下来还可以，负面方面的文本是有专人处理过的，中性的可能不准确。
+0: 'negative', 1: 'positive', 2: 'neutral'
+
+
+测试代码如下：
+import sys
+import re
+import torch
+from transformers import BertTokenizer, BertForSequenceClassification
+from torch.nn.functional import softmax
+
+# 设定使用CPU或CUDA
+device = 'cuda' if torch.cuda.is_available() else 'cpu'
+
+# 载入预先保存的模型和分词器
+model = BertForSequenceClassification.from_pretrained('sanshizhang/Chinese-Sentiment-Analysis-Fund-Direction')
+tokenizer = BertTokenizer.from_pretrained('sanshizhang/Chinese-Sentiment-Analysis-Fund-Direction')
+
+# 确保模型在正确的设备上
+model = model.to(device)
+model.eval()  # 把模型设置为评估模式
+
+# 函数定义：进行预测并返回预测概率
+def predict_sentiment(text):
+    # 编码文本数据
+    encoding = tokenizer.encode_plus(
+        text,
+        max_length=512,
+        add_special_tokens=True,
+        return_token_type_ids=False,
+        padding='max_length',  # 修改此处
+        return_attention_mask=True,
+        return_tensors='pt',
+        truncation=True
+    )
+    
+    # ... 其他代码不变
+    
+    # 取出输入对应的编码
+    input_ids = encoding['input_ids'].to(device)
+    attention_mask = encoding['attention_mask'].to(device)
+    
+    # 不计算梯度
+    with torch.no_grad():
+        # 产生情感预测的logits
+        outputs = model(input_ids=input_ids, attention_mask=attention_mask)
+    
+    # 使用softmax将logits转换为概率
+    probs = softmax(outputs.logits, dim=1)
+
+    # 返回概率和预测的类别
+    return probs, torch.argmax(probs, dim=1).cpu().numpy()[0]
+
+# 从命令行参数获取文本，合并并清理特殊字符
+arguments = sys.argv[1:]  # 忽略脚本名称
+text = ' '.join(arguments)  # 合并为单一字符串
+text = re.sub(r"[^\u4e00-\u9fff\d.a-zA-Z%+\-。！？，、；：（）【】《》“”‘’]", '', text)  # 去除特殊字符
+
+# print(f"传过来的文本是: {text}")
+# 进行预测
+probabilities, prediction = predict_sentiment(text)
+
+sentiment_labels = {0: 'negative', 1: 'positive', 2: 'neutral'}
+
+# 打印出预测的情感及其概率
+predicted_sentiment = sentiment_labels[prediction]
+print(f"Predicted sentiment: {predicted_sentiment},Probability:{probabilities[0][prediction].item()}")
+# print(f"Probability: {probabilities[0][prediction].item()}")