Project Icon

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

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。

german-sentiment-bert - 基于BERT架构的德语情感分析模型
BERTGithubHuggingfacePython开源项目德语情感分类机器学习模型自然语言处理
该项目开发了一个基于BERT架构的德语情感分类模型。模型在184万个德语样本上训练,数据来源包括社交媒体和各类评论。提供Python包便于使用,支持情感预测和概率输出。在多个数据集上表现优异,最高F1分数达0.9967。可应用于对话系统等德语情感分析场景。
bertweet-base-emotion-analysis - BerTweet英文情感分析模型集成EmoEvent语料库
BERTweetGithubHuggingface开源项目情感分析数据集机器学习模型自然语言处理
bertweet-base-emotion-analysis是一个基于BerTweet架构的英文情感分析开源模型,通过EmoEvent语料库训练而成。作为pysentimiento库的组成部分,该模型支持英文文本的情感识别与分析,主要应用于学术研究领域。该模型结合预训练语言模型技术,为自然语言处理研究提供了实用的情感分析工具。
rubert-tiny2-russian-sentiment - RuBERT-tiny2俄语文本情感分类模型
GithubHuggingfaceRuBERT-tiny2俄语多分类开源项目情感分析模型自然语言处理
RuBERT-tiny2俄语情感分类模型支持中性、积极和消极三类标签。该模型在Kaggle Russian News、Linis Crowd等多个数据集上训练,F1分数0.75,AUC-ROC达0.9。可通过transformers库轻松实现俄语短文本情感分析,适用于需要高效准确俄语情感分析的场景。
hubert-large-speech-emotion-recognition-russian-dusha-finetuned - HuBERT模型在俄语语音情感识别上的应用与优化
GithubHuBERTHuggingface俄语开源项目微调模型语音情感识别预训练模型
该项目利用DUSHA数据集对HuBERT模型进行微调,实现了俄语语音情感识别。经优化后的模型在测试集上表现突出,准确率达0.86,宏F1分数为0.81,超越了数据集基准。模型能够识别中性、愤怒、积极、悲伤等情绪类型。项目还提供了简洁的使用示例代码,便于研究人员和开发者将其集成到语音情感分析任务中。
distilbert-onnx - DistilBERT模型在SQuAD问答任务上的ONNX转换优化
DistilBERTGithubHuggingfaceONNX转换开源项目模型知识蒸馏自然语言处理问答系统
本项目提供了distilbert-base-cased-distilled-squad模型的ONNX转换版本。该模型基于DistilBERT-base-cased,经过第二轮知识蒸馏在SQuAD v1.1数据集上微调。在开发集上,模型达到87.1的F1分数,接近BERT bert-base-cased版本的88.7。这一ONNX实现为问答任务提供了轻量高效的解决方案。
finbert-tone - 专业金融文本情感分析预训练模型
BERT模型FinBERTGithubHuggingface开源项目情感分析模型自然语言处理金融文本分析
FinBERT是一款针对金融领域的预训练语言模型,通过分析企业报告、财报会议记录和分析师报告等文本,显著提升了金融自然语言处理的研究和应用水平。其微调版本finbert-tone在金融文本情感分析任务中表现优异,能够精确识别金融文本中的正面、负面和中性情绪。这一模型为金融领域的研究人员和从业者提供了强大的分析工具,有助于深入洞察和分析金融市场情绪动向。
Gender-Classification - DistilBERT微调模型实现高精度性别分类
DistilBERTGithubHuggingface开源项目性别识别数据分类模型模型训练深度学习
Gender-Classification是一个基于distilbert-base-uncased模型微调的性别分类项目。模型经过5轮训练,在验证集上达到了接近100%的分类准确率。项目采用Adam优化器和线性学习率调度器,学习率为2e-05。模型基于Transformers 4.25.1和PyTorch 1.13.0框架开发,为性别识别任务提供了一个参考实现。
twitter-xlm-roberta-base-sentiment - 基于XLM-roBERTa的多语言推特情感分析模型
GithubHuggingfaceTwitterXLM-roBERTa多语言情感分析开源项目情感分类模型自然语言处理
这是一个基于XLM-roBERTa的多语言推特情感分析模型,经过约1.98亿条推文预训练,并针对8种语言的情感分析任务进行了微调。该模型可以轻松集成到NLP管道中,适用于多语言社交媒体文本的情感分类,支持阿拉伯语、英语、法语、德语、印地语、意大利语、西班牙语和葡萄牙语。
wav2vec2-base-superb-er - 基于Wav2Vec2的语音情感识别模型实现高精度声学特征提取
GithubHuggingfaceIEMOCAPSUPERBWav2Vec2开源项目情感识别模型语音识别
wav2vec2-base-superb-er是一个针对SUPERB情感识别任务优化的语音情感识别模型。该模型可从16kHz采样的语音中提取声学特征,识别说话者的情感状态。经IEMOCAP数据集训练后,模型能识别4种主要情感类别,测试集识别准确率为62.58%。模型提供pipeline接口和直接调用方式,便于快速部署语音情感分析应用。
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。
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。

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