fdlprojekt

wmotion_model (PyTorch) — klasyfikacja emocji tekstu

Opis Model do klasyfikacji emocji w krótkich tekstach (angielski). Zredukowane klasy: ANGER, JOY, SADNESS, NEUTRAL.

Zawartość repozytorium

• emotion_model.pth — wagi modelu PyTorch
• tokenizer_pytorch.pickle — tokenizer użyty podczas treningu (pickle)
• label_encoder.pickle — encoder etykiet (pickle)
• requirements.txt — minimalne zależności do pracy z artefaktami

Wymagania

• Python 3.9+
• PyTorch
• numpy, scikit-learn

Uwaga dot. inferencji To niestandardowy model PyTorch (nie Transformers). Do bezpośredniej inferencji potrzebna jest definicja klasy/architektury modelu dokładnie zgodna z tą, która była użyta w treningu. W repozytorium nie ma pliku z definicją architektury (kod nie był dostarczony). Mając klasę modelu:

1. zainicjalizuj architekturę,
2. wczytaj state_dict z emotion_model.pth,
3. użyj tokenizer_pytorch.pickle do przetwarzania tekstu i label_encoder.pickle do mapowania indeksów na etykiety.

Przykład (schematyczny)

import torch
import pickle
import numpy as np

# 1) Zdefiniuj/zaimportuj klasę MyEmotionModel identyczną z tą z treningu
# from model_def import MyEmotionModel

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = MyEmotionModel(...)
model.load_state_dict(torch.load("emotion_model.pth", map_location=device))
model.eval()

with open("tokenizer_pytorch.pickle", "rb") as f:
    tokenizer = pickle.load(f)
with open("label_encoder.pickle", "rb") as f:
    label_encoder = pickle.load(f)

text = "I am so happy today!"
seq = tokenizer.texts_to_sequences([text])  # zależnie od implementacji tokenizera
input_tensor = torch.tensor(np.array(seq), dtype=torch.long).to(device)
with torch.no_grad():
    logits = model(input_tensor)
pred_idx = int(torch.argmax(logits, dim=1).cpu().item())
print(label_encoder.inverse_transform([pred_idx])[0])

Licencja Brak określonej licencji. Jeśli chcesz, mogę ustawić np. MIT.