rgnn_seed数据集情绪识别代码，包含完整seed数据集

seed数据集EEG情绪识别，包含完整seed数据集

deap数据集情绪识别深度学习代码，这个项目中实现了一个单层和一个双层隐藏层，而且包含完整数据集。

基于市场情绪平稳度的股指期货日内交易策略

基于市场情绪平稳度的股指期货日内交易策略

学习感觉 “学习感觉”是一种使用Streamlit的网络应用程序，该应用程序使用深度学习来识别和提取音乐中的情感和情绪。 有了这个程序，您既可以浏览数据，也可以对自己的歌曲进行分类。 。

['angry', 'disgust', 'fear','happy', 'sad', 'surprise', 'neutral']七类表情数据集

本文件是博客CSDN文章《竞赛项目|基于情绪分析的智能语音AI娱乐互动系统》的word排版及实现源码，本项目获得当年全国二等奖.为方便有需要的迈微社友，现上传至此。

情感极性词典，包含中文正负情绪词和否定词、程度副词。

具体使用方法可以看我的博客：https://blog.csdn.net/weixin_40015791/article/details/90410083 下面也会简单介绍一下：在bert开源代码中的run_classifier.py中找到 processors = { "cola": ColaProcessor, "mnli": MnliProcessor, "mrpc": MrpcProcessor, "xnli": XnliProcessor, "intentdetection":IntentDetectionProcessor, "emotion":EmotionProcessor, #新加上这一行 } 然后在该文件中增加一个class： class EmotionProcessor(DataProcessor): """Processor for the MRPC data set (GLUE version).""" def get_train_examples(self, data_dir): """See base class.""" return self._create_examples( self._read_tsv(os.path.join(data_dir, "fine_tuning_train_data.tsv")), "train") #此处的名字和文件夹中的训练集的名字要保持一致 def get_dev_examples(self, data_dir): """See base class.""" return self._create_examples( self._read_tsv(os.path.join(data_dir, "fine_tuning_val_data.tsv")), "dev") def get_test_examples(self, data_dir): """See base class.""" return self._create_examples( self._read_tsv(os.path.join(data_dir, "fine_tuning_test_data.tsv")), "test") def get_labels(self): """See base class.""" return ["0", "1","2","3","4","5","6"] #七分类则从0到6 def _create_examples(self, lines, set_type): """Creates examples for the training and dev sets.""" examples = [] for (i, line) in enumerate(lines): if i == 0: continue guid = "%s-%s" % (set_type, i) if set_type == "test": label = "0" text_a = tokenization.convert_to_unicode(line[0]) else: label = tokenization.convert_to_unicode(line[0]) text_a = tokenization.convert_to_unicode(line[1]) examples.append( InputExample(guid=guid, text_a=text_a, text_b=None, label=label)) return examples 最后直接调用即可，运行的命令如下： python run_classifier.py \ --task_name=emotion \ --do_train=true \ --do_eval=true \ --data_dir=data \ #把数据解压到同一级的文件夹中，此处是该文件夹名字data --vocab_file=chinese_L-12_H-768_A-12/vocab.txt \ #中文数据要微调的原始bert模型 --bert_config_file=chinese_L-12_