distilbert-base-uncased-go-emotions-onnx

优化为ONNX格式的轻量级情感分析模型

模型量化模型情感分析 Github 零样本分类开源项目 Huggingface 自然语言处理 ONNX

该模型是基于distilbert-base-uncased架构，通过零样本蒸馏技术在GoEmotions数据集上训练的情感分类工具。经ONNX格式转换和量化处理，模型性能得到显著提升。这一创新方法展示了如何将复杂的NLI零样本模型简化为高效的学生模型，实现了仅依靠未标记数据即可训练分类器的技术突破。尽管在精度上可能略逊于全监督模型，但为处理无标签数据的情感分析任务提供了实用解决方案。

Github

Huggingface

介绍相关项目

distilbert-base-uncased-go-emotions-student - 面向GoEmotions数据集的高效情感分类模型

GithubGoEmotionsHuggingface开源项目文本分类模型模型蒸馏语言模型零样本分类

该模型运用未标注GoEmotions数据集，利用零样本学习技术进行精炼。尽管其性能可能略逊于完全监督下的模型，但它展示了如何将复杂的自然语言推理模型简化为高效的模型，以便在未标注数据上进行分类器训练。

distilbert-base-uncased-emotion - DistilBERT情感分析模型：小巧快速且准确

DistilBERTGithubHugging FaceHuggingface开源项目情感分析文本分类模型自然语言处理

这是一个基于DistilBERT的情感分析模型，体积比BERT小40%，速度更快，同时保持93.8%的准确率。模型可将文本分类为6种情感，每秒处理398.69个样本，性能优于BERT、RoBERTa和ALBERT同类模型。该模型采用情感数据集微调，通过简单pipeline即可快速部署使用。

bert-multilingual-go-emtions - 多语言情感分类模型，支持高效识别28种情感

BERTGithubGoEmotionsHuggingface多语言开源项目情感分类模型模型性能

该BERT模型经过微调，可在GoEmotions数据集上进行中英跨语言情感分类，支持28种情感类别，如喜悦、愤怒、爱等。模型在验证集上表现出85.95%的高准确率，训练过程结合了英语和机器翻译的中文样本，通过两阶段方法提升性能，包含初始训练和高置信度样本回馈再训练。

bert-base-uncased-emotion - BERT模型用于情感分析的优化与应用

GithubHuggingfacePyTorch Lightningbert-base-uncased-emotion开源项目情感分析情感类别数据集模型

该项目基于bert-base-uncased模型，并使用PyTorch Lightning技术在一个情感数据集上进行了微调，支持文本分类和情感分析。训练参数包括128的序列长度、2e-5的学习率、32的批处理大小和4个训练周期，运行在两块GPU上。尽管模型尚未最优化，但在实际应用中显示出一定效果，达到了0.931的验证精度。更多项目详情可以通过nlp viewer查看。

distilbert-base-uncased-finetuned-sst-2-english - JavaScript情感分析中的ONNX优化

GithubHuggingfaceONNXTransformers.jsWebML变压器开源项目情感分析模型

基于ONNX权重实现Transformers.js的兼容性，能够快速执行情感分析。安装Transformers.js库后，即可使用预训练模型进行高效的文本情感分析。这种方法有效提高了模型运行速度，并支持WebML，是JavaScript开发者的重要工具。

distilbert-base-multilingual-cased-sentiments-student - 基于DistilBERT的多语言情感分析模型

DistilBERTGithubHuggingface多语言模型开源项目情感分析文本分类模型零样本蒸馏

这是一个基于DistilBERT的多语言情感分析模型，通过零样本分类管道在多语言情感数据集上进行蒸馏。模型支持英语、阿拉伯语、德语等多种语言，可用于情感分类任务。采用零样本蒸馏技术，在保持较高准确率的同时，有效降低了模型规模。该模型为多语言情感分析提供了一个高效且灵活的解决方案。

bert-base-uncased-emotion - 情感数据集的高效文本分类模型

F1分数GithubHuggingfacebert-base-uncased-emotion准确率开源项目情感分析文本分类模型

bert-base-uncased模型针对情感数据集的微调结果显示，其在准确率和F1分数分别达到94.05%和94.06%。借助PyTorch和HuggingFace平台，该模型实现高效的情感文本分类，适用于社交媒体内容分析，特别是在Twitter环境中，为数据科学家和开发人员提供情感解析的精确工具。

distilbert-base-uncased-finetuned-sst-2-english-openvino - 基于DistilBERT的情感分析模型 OpenVINO优化版达91.3%准确率

DistilBERTGithubHuggingfaceOpenVINO开源项目情感分析文本分类模型模型微调

本项目基于DistilBERT模型，在SST-2数据集上微调后转换为OpenVINO格式，专注于文本情感分类。模型在开发集上的准确率达91.3%，并支持通过Transformers pipeline快速部署。OpenVINO优化提升了推理效率，使其更适合生产环境中的情感分析应用。项目提供了简单的使用示例，方便开发者快速集成和应用。

roberta-base-go_emotions - RoBERTa模型实现28种情感多标签分类

GithubHuggingfaceRoBERTago_emotions数据集text-classification多标签分类开源项目情感分析模型

该模型基于roberta-base，利用go_emotions数据集训练而成，可对文本进行28种情感的多标签分类。模型在测试集上实现0.474的准确率和0.450的F1分数。为提升性能，还提供ONNX版本。研究者可通过Hugging Face Transformers框架便捷应用此模型。值得注意的是，某些情感标签如'gratitude'表现优异，F1值超过0.9，而'relief'等标签表现欠佳，可能与训练数据分布不均有关。通过优化每个标签的阈值，模型的整体F1分数可提升至0.541，显示出进一步改进的潜力。

emotion-english-distilroberta-base - DistilRoBERTa英文文本情感分析模型

DistilRoBERTaGithubHugging FaceHuggingface开源项目情感分类机器学习模型自然语言处理

该模型基于DistilRoBERTa-base微调，用于英文文本情感分析。可预测7种情绪：愤怒、厌恶、恐惧、快乐、中性、悲伤和惊讶。训练数据来自Twitter、Reddit等6个多样化数据集。提供简单的3行代码使用方法，适用于单个文本和完整数据集分析。模型在平衡数据集上的评估准确率为66%，远高于随机基准。

项目侧边栏1

项目侧边栏2

推荐项目

Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号