Ewaluacja modelu BERT
Po stokenizowaniu przykładowych recenzji za pomocą tokenizatora BERT nadszedł czas na ewaluację modelu BERT na próbkach z PyBooks. Ocenisz też predykcję sentymentu modelu na nowych danych.
Następujące elementy zostały już zaimportowane: BertTokenizer, BertForSequenceClassification, torch.
Wytrenowana instancja model jest również wstępnie załadowana. Przetestujesz ją teraz na nowej próbce danych.
To ćwiczenie jest częścią kursu
Uczenie głębokie dla tekstu z PyTorch
Instrukcje do ćwiczenia
- Przygotuj tekst do ewaluacji, tokenizując go i zwracając tensory PyTorch.
- Przekształć wyjściowe logity na prawdopodobieństwa z zakresu od zera do jedności.
- Wyświetl sentyment na podstawie uzyskanych prawdopodobieństw.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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}")