微型旋转器
Node.js 的简约微调器。
只有没有子依赖的单一依赖（ ）。 相比之下， ora有。
检测终端中的 Unicode 和颜色支持。
用法
let micoSpinner = require ( 'mico-spinner' )
let spinner = micoSpinner ( 'Long task' ) . start ( )
try {
await longTask ( )
spinner . succeed ( )
} catch ( e ) {
spinner . fail ( )
console . error ( e . stack )
}
2021-08-03 18:04:39
105KB
1
React Spinners 基于 Halogen 的 React.js 加载微调器的集合。
这个包使用 react-npm-boilerplate Demo Demo Page 安装使用 Yarn：yarn add react-spinners 使用 npm：npm install --save react-spinners 用法每个加载器都有自己的默认属性。
您可以通过将道具传递到加载器来覆盖默认值。
每个加载器都接受一个加载道具作为布尔值。
如果加载为假，加载器将呈现 null。
重要提示：此包使用情感。
记得在 .babelrc 中添加插件，例如： { "presets": ["@babel/preset-react", "@babel/preset-env"], "plugins": ["@emotion"] } Example import { useState } 来自“React”；
从“@emotion/react”导入{css}；
从“react-spinners/ClipLoader”导入 ClipLoader；
// 也可以是字符串。
需要确保每个键值对都以 ;
2021-06-09 13:04:10
1.47MB
1
情绪分析
在 上通过微调 ， 或训练的情感分析神经网络。
安装要求
pip install numpy pandas torch transformers
使用我在s3上载的模型分析您的输入
python analyze.py
火车模型
python train.py --model_name_or_path bert-base-uncased --output_dir my_model --num_eps 2
支持bert-base-uncase，albert-base-v2，distilbert-base-uncase和其他类似模型。
评估您训练的模型
python evaluate.py
2021-04-03 15:58:11
16.94MB
1
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_
2021-03-31 14:02:01
599KB
1