快三官网

  • <tr id='fxAuRm'><strong id='fxAuRm'></strong><small id='fxAuRm'></small><button id='fxAuRm'></button><li id='fxAuRm'><noscript id='fxAuRm'><big id='fxAuRm'></big><dt id='fxAuRm'></dt></noscript></li></tr><ol id='fxAuRm'><option id='fxAuRm'><table id='fxAuRm'><blockquote id='fxAuRm'><tbody id='fxAuRm'></tbody></blockquote></table></option></ol><u id='fxAuRm'></u><kbd id='fxAuRm'><kbd id='fxAuRm'></kbd></kbd>

    <code id='fxAuRm'><strong id='fxAuRm'></strong></code>

    <fieldset id='fxAuRm'></fieldset>
          <span id='fxAuRm'></span>

              <ins id='fxAuRm'></ins>
              <acronym id='fxAuRm'><em id='fxAuRm'></em><td id='fxAuRm'><div id='fxAuRm'></div></td></acronym><address id='fxAuRm'><big id='fxAuRm'><big id='fxAuRm'></big><legend id='fxAuRm'></legend></big></address>

              <i id='fxAuRm'><div id='fxAuRm'><ins id='fxAuRm'></ins></div></i>
              <i id='fxAuRm'></i>
            1. <dl id='fxAuRm'></dl>
              1. <blockquote id='fxAuRm'><q id='fxAuRm'><noscript id='fxAuRm'></noscript><dt id='fxAuRm'></dt></q></blockquote><noframes id='fxAuRm'><i id='fxAuRm'></i>

                意见挖掘与情感分析

                意见挖掘与情感分析

                意见挖掘与情感分析

                句子〗级中文评论情感极性分类网络应用

                本项目支々持在 Atalas 200 DK上运行,实现了句子级情感极性分@ 类网络的推理功能,输△出每个类别的置信度。

                本reademe提供该应用◣运行c++推理代码的说明,以及python环境下模型训练及推理的的步骤说明。

                软件准备

                运行此工程项目前,需要按照此章节获取源码包。

                1. 获取源码包。

                  cd $HOME/AscendProjects
                  wget https://c7xcode.obs.cn-north-4.myhuaweicloud.com/200dk/SentimentAnalysis.zip
                  unzip SentimentAnalysis.zip
                   

                  如果wget下载失败,可复制下载链接到浏览器。

                2. 获取此应用中所需要的原始网络模型和训练好的参数值▃。

                  模型的PB文件在 models/snapshots 路径下。BERT网络预训练好的参数来自 https://github.com/google-research/bert 中的 [BERT-Base, Chinese] 部分。

                3. 将原始网络模型转换为适配昇腾AI处理器的模型。

                  cd SentimentAnalysis/src/acl_demo
                  ./model_convert.sh
                   

                  运行以上命令,将会在models/snapshots 路径下∮生成OM模型。

                环境配置

                • 安装编译√工具

                  sudo apt-get install -y g++-aarch64-linux-gnu g++-5-aarch64-linux-gnu

                • 下载jsoncpp源码

                  cd ./models
                  git clone https://github.com/open-source-parsers/jsoncpp.git
                  cd jsoncpp
                   

                  到 jsoncpp 目录里后,执行python脚本,生成 dist 子目录

                  python amalgamate.py
                   

                编译

                • 编译ACL/C++代码

                  进入src/acl_demo 目录,运行 shell 脚本:

                  ./build.sh
                   

                  编译后『的可执行文件 inference 在 build 目录中。

                运行

                • 一键推理

                  文本●数据读取、数据预处理和前向推理三个步骤整合到︼一个命令中,执行如下shell命令:

                  cd src/acl_demo
                  ./build/inference -m ../../models/snapshots/models.om -i ../../models/hotel.decode.txt -o ../../output/
                   

                  -m :指定OM模型的路径;

                  -i : 指定输入的句子级中文文本文件的路径;

                  -o : 指定网络输出结果的保存♀目录。

                • 查看输←出结果

                  cd ../../models
                  python check_output.py
                   

                  shell里会输出网络的输出矩阵,每一行的三个数字对应三个情感类别的score,取最大的score对应的类别作为该╱评论的情感极性。

                Python环境下模型训练/运行

                ? 以上→描述了在Ascend 310上运行ACL/C++代码来实现网络推理的完整流程。下面∏的内容是介绍在CPU/GPU上的←进行模型训练/推理的方◆式:

                • 训练

                  首先进入↙到 tf_total_sentiment 目录中,

                  cd SentimentAnalysis/models
                  python main.py
                   

                  训练过程中的神经网络参数将被保存在 snapshots 子目录里。

                • 推理/测试

                  python test.py

                订阅快讯

                通过快讯订阅,您将及时收到我们的信息更新通知。