# bert-liu

**Repository Path**: tjuc/bert-liu

## Basic Information

- **Project Name**: bert-liu
- **Description**: BERT中文情感分析项目
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2025-05-23
- **Last Updated**: 2025-08-18

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# BERT中文情感分析项目 

这是一个基于BERT的中文情感分析项目，可以对文本进行情感极性（积极/消极）分类。项目使用了预训练的中文BERT模型，并在此基础上进行了情感分类任务的微调。



此项目在Win11环境运行调试。


## 项目结构 asdasd 

```
.
├── data/                    # 数据目录
│   ├── dataset.zip          # 数据集压缩包
│   ├── train.csv            # 训练数据集
│   ├── val.csv              # 验证数据集
│   └── test-dataset.csv     # 测试数据集
├── data_processor.py        # 数据处理模块
├── download_data.py         # 数据下载脚本
├── model.py                 # 模型定义和训练函数
├── requirements.txt         # 项目依赖
├── train.py                 # 训练脚本
└── README.md               # 项目说明文档
```

## 环境要求

- Python 3.6+
- CUDA（可选，用于GPU加速）  

## 安装步骤

1. 克隆项目到本地

2. 安装依赖包：
```bash
pip install -r requirements.txt
```

3. 下载并解压数据集：
```bash
python download_data.py
```

## 使用方法

### 训练模型

运行以下命令开始训练：
```bash
python train.py
```

训练过程中会显示每个epoch的训练损失和验证准确率。最佳模型会自动保存为`best_model.pth`。

### 模型参数

- 学习率：2e-5
- Dropout率：0.3
- 训练轮数：5
- 批次大小：由data_processor.py中的load_data函数设定

### 预测示例

模型训练完成后，可以使用train.py中的示例代码进行预测：
```python
test_text = "这个产品非常好用，我很满意！"
result = predict(model, test_text, tokenizer, device)
print(f'预测结果: {"积极" if result == 1 else "消极"}')
```

## 模型架构

- 基础模型：bert-base-chinese
- 分类层：一个带dropout的全连接层
- 输出：2分类（积极/消极）

## 注意事项

1. 首次运行时需要下载BERT预训练模型，请确保网络连接正常
2. GPU训练需要确保CUDA环境配置正确
3. 数据集格式要求请参考data目录下的示例文件

## 性能指标

模型在验证集上的准确率会在训练过程中显示，最佳模型会被自动保存。

## 可视化分析

项目提供了一个专门的可视化模块`visualization.py`，用于展示模型的训练过程和预测结果：
```python
from visualization import ModelVisualizer

# 创建可视化器实例
visualizer = ModelVisualizer()

# 在训练过程中记录指标
visualizer.update_metrics(epoch, train_loss, val_accuracy)

# 绘制训练进度图
visualizer.plot_training_progress('training_progress.png')

# 绘制混淆矩阵
visualizer.plot_confusion_matrix(y_true, y_pred, 'confusion_matrix.png')

# 可视化预测示例
visualizer.visualize_prediction_examples(texts, predictions, probabilities, 'prediction_examples.png')
```

## 贡献指南

欢迎提交Pull Request来改进本项目。请在提交前确保代码风格一致，并通过所有测试。

开发测试时，请不要把过大文件传入Git项目。

## 许可证

本项目采用MIT许可证，详情请查看LICENSE文件。