Update README.md

README.md

@@ -4,85 +4,85 @@ language:
 - zh
 ---
 
-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
+    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。
+  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。
 # 返回值解释：
-0: 'negative', 1: 'positive', 2: 'neutral'
+  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
-    )
+    import sys
+    import re
+    import torch
+    from transformers import BertTokenizer, BertForSequenceClassification
+    from torch.nn.functional import softmax
     
-    # ... 其他代码不变
+    #设定使用CPU或CUDA
+    device = 'cuda' if torch.cuda.is_available() else 'cpu'
     
-    # 取出输入对应的编码
-    input_ids = encoding['input_ids'].to(device)
-    attention_mask = encoding['attention_mask'].to(device)
+    #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')
     
-    # 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)
+    #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
     
-    # 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()}")
+    #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()}")