Évaluer le modèle BERT
Après avoir tokenisé les critiques d'exemple à l'aide du tokenizer de BERT, il est maintenant temps d'évaluer le modèle BERT avec les échantillons de PyBooks. Vous évaluerez aussi la prédiction de sentiment du modèle sur de nouvelles données.
Les éléments suivants ont été importés pour vous : BertTokenizer, BertForSequenceClassification, torch.
L'instance model entraînée est également préchargée. Nous allons maintenant la tester sur un nouvel échantillon de données.
Cette activité fait partie du cours
Apprentissage profond pour le texte avec PyTorch
Instructions de l’exercice
- Préparez le texte d'évaluation pour le modèle en le tokenisant et en retournant des tenseurs PyTorch.
- Convertissez les logits de sortie en probabilités entre zéro et un.
- Affichez les sentiments à partir des probabilités.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
text = "I had an awesome day!"
# Tokenize the text and return PyTorch tensors
input_eval = tokenizer(____, return_tensors=____, truncation=True, padding=True, max_length=32)
outputs_eval = model(**input_eval)
# Convert the output logits to probabilities
predictions = torch.nn.functional.____(outputs_eval.____, dim=-1)
# Display the sentiments
predicted_label = ____ if torch.____(predictions) > 0 else ____
print(f"Text: {text}\nSentiment: {predicted_label}")