เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การประเมินโมเดล BERT

หลังจาก tokenize รีวิวตัวอย่างด้วย tokenizer ของ BERT แล้ว ก็ถึงเวลาประเมินโมเดล BERT กับข้อมูลตัวอย่างของ PyBooks นอกจากนี้ยังจะประเมินการทำนาย sentiment ของโมเดลบนข้อมูลใหม่ด้วย

มีการ import สิ่งต่อไปนี้ให้แล้ว: BertTokenizer, BertForSequenceClassification, torch อินสแตนซ์ model ที่ผ่านการฝึกมาแล้วก็ถูกโหลดไว้ล่วงหน้าเช่นกัน เราจะทดสอบกับข้อมูลตัวอย่างใหม่

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning สำหรับข้อความด้วย PyTorch

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เตรียมข้อความสำหรับประเมินโดย tokenize และส่งคืนเป็น PyTorch tensors
  • แปลง output logits ให้เป็นค่าความน่าจะเป็นในช่วงระหว่างศูนย์ถึงหนึ่ง
  • แสดงผล sentiment จากค่าความน่าจะเป็นที่ได้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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}")
แก้ไขและรันโค้ด