Spaces:
Sleeping
Sleeping
| # ============================================================ | |
| # Maestría de Ciencia de Datos | |
| # | |
| # Curso: Transformers | |
| # | |
| # Autores: | |
| # - Samir Mateo Sierra Blanco | |
| # - Maria Fernanda González Acevedo | |
| # ============================================================ | |
| # Se importan las librerías necesarias | |
| import spaces | |
| import torch | |
| from transformers import AutoTokenizer, AutoModelForSequenceClassification | |
| # Se especifica el modelo a utilizar | |
| MODEL_ID = "nlptown/bert-base-multilingual-uncased-sentiment" | |
| # Se carga el tokenizador y el modelo | |
| tokenizer = AutoTokenizer.from_pretrained(MODEL_ID) | |
| model = AutoModelForSequenceClassification.from_pretrained(MODEL_ID) | |
| # Se pone el modelo en modo evaluación para desactivar el dropout y las capas que solo se usan durante el entrenamiento | |
| model.eval() | |
| # Se define la función para analizar el sentimiento de los textos | |
| def analyze_sentiment(texts: str | list[str]) -> list[dict[str, str | float]]: | |
| # Se verifica si el input es un string o una lista de strings, y se convierte a lista si es necesario | |
| if isinstance(texts, str): | |
| texts = [texts] | |
| # Se tokenizan los textos, se aplica padding y truncation, y se convierten a tensores de PyTorch | |
| inputs = tokenizer(texts, padding = True, truncation = True, return_tensors = "pt") | |
| # Se realiza la inferencia con el modelo sin calcular gradientes | |
| with torch.no_grad(): | |
| # Se obtienen las salidas del modelo | |
| outputs = model(**inputs) | |
| # Se calculan las probabilidades a partir de los logits utilizando softmax | |
| probabilities = torch.softmax(outputs.logits, dim = -1) | |
| # Se obtiene la clase con la mayor probabilidad para cada texto | |
| predictions = torch.argmax(probabilities, dim = -1) | |
| results = [] | |
| # Se itera sobre las predicciones y se construye la lista de resultados | |
| for index, prediction in enumerate(predictions): | |
| # Se obtiene la etiqueta y probabilidad correspondiente a la predicción | |
| label = model.config.id2label[prediction.item()] | |
| score = probabilities[index,prediction].item() | |
| # Se determina el sentimiento basado en la etiqueta | |
| stars = int(label.split()[0]) | |
| # Se asigna el sentimiento según el número de estrellas | |
| if stars <=2: | |
| sentiment = "Negativo" | |
| elif stars == 3: | |
| sentiment = "Neutral" | |
| else: | |
| sentiment = "Positivo" | |
| # Se agrega el resultado al diccionario de resultados | |
| results.append({ | |
| "text": texts[index], | |
| "label": label, | |
| "sentiment": sentiment, | |
| "score": round(score, 4) | |
| }) | |
| return results | |