t5-base-finetuned-emotion

T5-base 细调情感识别项目介绍

项目概述

T5-base细调情感识别项目是基于谷歌的T5模型进行微调，以应用于情感识别的下游任务。这个模型可以从文本中识别出六种情绪：悲伤、快乐、爱、愤怒、恐惧和惊讶。它基于一个名为Emotion Dataset的数据集进行训练和评估。

T5模型的详细信息

T5模型是由Colin Raffel等人提出的，他们的研究探索了迁移学习技术在自然语言处理领域的极限。迁移学习是一种先在数据丰富的任务上进行预训练，然后在下游任务上进行微调的强大技术。T5模型引入了一个统一的框架，将所有语言问题转化为文本到文本的格式。这一方法在很多语言理解任务上取得了出色的成绩，包括摘要生成、问答、文本分类等。

下游任务：情感识别的数据集

这个项目使用了由Elvis Saravia收集的情感识别数据集。该数据集可以将文本分类为以下六种情绪：

悲伤 😢
快乐 😃
爱 🥰
愤怒 😡
恐惧 😱
惊讶 😯

模型微调

模型的训练脚本是对由Suraj Patil创建的Colab Notebook 进行的轻微修改。这个微调过程得益于开源社区的贡献，使得模型可以有效识别不同类型的情感。

测试集指标

在测试集上的性能表现如下：

	precision	recall	f1-score	support
愤怒	0.93	0.92	0.93	275
恐惧	0.91	0.87	0.89	224
快乐	0.97	0.94	0.95	695
爱	0.80	0.91	0.85	159
悲伤	0.97	0.97	0.97	521
惊讶	0.73	0.89	0.80	66
——	——	——	——	——
准确率			0.93	2000
宏平均值	0.89	0.92	0.90	2000
加权平均	0.94	0.93	0.93	2000

整体准确率为93%，说明模型具有较高的情感识别能力。

模型实战

以下是使用这个情感识别模型的Python代码示例：

from transformers import AutoTokenizer, AutoModelWithLMHead

tokenizer = AutoTokenizer.from_pretrained("mrm8488/t5-base-finetuned-emotion")
model = AutoModelWithLMHead.from_pretrained("mrm8488/t5-base-finetuned-emotion")

def get_emotion(text):
  input_ids = tokenizer.encode(text + '</s>', return_tensors='pt')
  output = model.generate(input_ids=input_ids, max_length=2)
  dec = [tokenizer.decode(ids) for ids in output]
  label = dec[0]
  return label
  
get_emotion("我感觉我好久没有真正地写博客了，正在更新一个可爱的") # 输出: 'joy'
get_emotion("我感觉我好像失去了我最好的朋友") # 输出: 'sadness'