Utvärdera BERT-modellen
Nu när du har tokeniserat exempelrecensionerna med BERTs tokeniserare är det dags att utvärdera BERT-modellen med PyBooks exempeldata. Du kommer även att utvärdera modellens sentimentprediktion på nya data.
Följande har importerats åt dig: BertTokenizer, BertForSequenceClassification, torch.
Den tränade model-instansen är också förinläst. Vi testar den nu på ett nytt dataurval.
Den här övningen är en del av kursen
Djupinlärning för text med PyTorch
Övningsinstruktioner
- Förbered utvärderingstexten för modellen genom att tokenisera den och returnera PyTorch-tensorer.
- Konvertera utdatalogits till sannolikheter mellan noll och ett.
- Visa sentimenten baserat på sannolikheterna.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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}")