许可证: mit
数据集:

• dair-ai/emotion
  语言:
• en
  库名称: transformers
  示例输入:
• 文本: "我对结果非常满意！"
• 文本: "我对结果非常愤怒！"
  标签:
• debarta
• debarta-v3-small
• 情绪分类器

Fast Emotion-X：基于微调DeBERTa V3 Small的情绪检测模型

本模型是基于microsoft/deberta-v3-small微调的情绪检测模型，使用dair-ai/emotion数据集训练而成。

概述

Fast Emotion-X是基于微软DeBERTa V3 Small模型微调的最先进情绪检测模型，能够准确将文本分类到六种情绪类别中。该模型充分利用DeBERTa的强大能力，并在全面的情绪数据集上进行微调，确保高准确性和可靠性。

模型详情

• 模型名称: AnkitAI/deberta-v3-small-base-emotions-classifier
• 基础模型: microsoft/deberta-v3-small
• 数据集: dair-ai/emotion
• 微调: 模型针对六种情绪类别（愤怒、厌恶、恐惧、快乐、悲伤和惊讶）进行了分类头的微调。

情绪标签

• 愤怒
• 厌恶
• 恐惧
• 快乐
• 悲伤
• 惊讶

使用方法

您可以直接使用提供的Python包或Hugging Face的transformers库来调用此模型。

安装

使用pip安装包：

pip install emotionclassifier  

基础用法

以下是如何使用emotionclassifier对单个文本进行分类的示例：

from emotionclassifier import EmotionClassifier  

# 使用默认模型初始化分类器  
classifier = EmotionClassifier()  

# 对单个文本进行分类  
text = "我今天非常开心！"  
result = classifier.predict(text)  
print("情绪:", result['label'])  
print("置信度:", result['confidence'])  

批量处理

可以使用predict_batch方法对多个文本进行分类：

texts = ["我今天非常开心！", "我很难过。"]  
results = classifier.predict_batch(texts)  
print("批量处理结果:", results)  

可视化

可视化文本的情绪分布：

from emotionclassifier import plot_emotion_distribution  

result = classifier.predict("我今天非常开心！")  
plot_emotion_distribution(result['probabilities'], classifier.labels.values())  

命令行界面（CLI）用法

也可以从命令行使用该包：

emotionclassifier --model deberta-v3-small --text "我今天非常开心！"  

与DataFrame集成

对pandas DataFrame中的文本列进行分类：

import pandas as pd  
from emotionclassifier import DataFrameEmotionClassifier  

df = pd.DataFrame({  
    'text': ["我今天非常开心！", "我很难过。"]  
})  

classifier = DataFrameEmotionClassifier()  
df = classifier.classify_dataframe(df, 'text')  
print(df)  

情绪趋势分析

分析并绘制情绪随时间变化的趋势：

from emotionclassifier import EmotionTrends  

texts = ["我今天非常开心！", "我感觉还行。", "我非常难过。"]  
trends = EmotionTrends()  
emotions = trends.analyze_trends(texts)  
trends.plot_trends(emotions)  

微调

在自己的数据集上微调预训练模型：

from emotionclassifier.fine_tune import fine_tune_model  

# 定义训练和验证数据集  
train_dataset = ...  
val_dataset = ...  

# 微调模型  
fine_tune_model(classifier.model, classifier.tokenizer, train_dataset, val_dataset, output_dir='fine_tuned_model')  

使用transformers库

from transformers import AutoModelForSequenceClassification, AutoTokenizer  

model_name = "AnkitAI/deberta-v3-small-base-emotions-classifier"  
model = AutoModelForSequenceClassification.from_pretrained(model_name)  
tokenizer = AutoTokenizer.from_pretrained(model_name)  

# 示例用法  
def predict_emotion(text):  
    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=128)  
    outputs = model(**inputs)  
    logits = outputs.logits  
    predictions = logits.argmax(dim=1)  
    return predictions  

text = "我对结果非常满意！"  
emotion = predict_emotion(text)  
print("检测到的情绪:", emotion)  

训练

模型训练使用了以下参数：

• 学习率: 2e-5
• 批量大小: 4
• 权重衰减: 0.01
• 评估策略: 按周期

训练详情

• 评估损失: 0.0858
• 评估运行时间: 110070.6349秒
• 评估样本/秒: 78.495
• 评估步骤/秒: 2.453
• 训练损失: 0.1049
• 评估准确率: 94.6%
• 评估精确率: 94.8%
• 评估召回率: 94.5%
• 评估F1分数: 94.7%

模型卡片数据

许可证

本模型采用MIT许可证。