Python中使用BertModel()进行中文短文本分类任务

要使用BertModel()进行中文短文本分类任务，需要先安装并导入相应的库，如transformers和torch。下面是一个使用例子，该例子使用了一个预训练的中文BERT模型来进行中文短文本情感分类任务。

首先，安装所需的库。在命令行中运行以下命令：

pip install transformers torch

接下来，导入所需的库：

import torch
from transformers import BertTokenizer, BertForSequenceClassification

加载Bert模型和tokenizer：

tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertForSequenceClassification.from_pretrained('bert-base-chinese')

准备输入数据并进行预处理：

text = "这部电影真的很棒！"
input_ids = tokenizer.encode(text, add_special_tokens=True)
input_ids = torch.tensor(input_ids).unsqueeze(0)  # 增加batch维度

将输入数据传入模型进行预测：

outputs = model(input_ids)
logits = outputs.logits

计算预测结果：

predicted_labels = torch.argmax(logits, dim=1)

最后，可以打印出预测结果：

if predicted_labels.item() == 0:
    print("Negative")
else:
    print("Positive")

完整的代码如下：

import torch
from transformers import BertTokenizer, BertForSequenceClassification

tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertForSequenceClassification.from_pretrained('bert-base-chinese')

text = "这部电影真的很棒！"
input_ids = tokenizer.encode(text, add_special_tokens=True)
input_ids = torch.tensor(input_ids).unsqueeze(0)

outputs = model(input_ids)
logits = outputs.logits

predicted_labels = torch.argmax(logits, dim=1)

if predicted_labels.item() == 0:
    print("Negative")
else:
    print("Positive")

这个例子展示了如何使用预训练的Bert模型进行中文短文本情感分类任务。该例子中使用了一个预训练的中文BERT模型，将输入文本编码成token，并将其传入Bert模型进行预测，然后根据预测结果输出情感分类。在实际应用中，你可能需要根据自己的具体任务和数据进行适当的调整。