litNlp 简介
litNlp 是基于 Tensorflow 2.0 实现的一个轻量级的深度情感极性推理模型，使用字符级代替词语级进一步提升训练和推理速度，可以实现细粒度的多级别情感极性训练和预测。
TF2 下 GPU 和 CPU 平台都能直接安装运行，是搭建 NLP 分类模型类 baseline 的快速方案。
1. 内置情感分析模型-利用深度模型优化语义建模，使用字符级减少 tokenizer 的大小。
2. 直接提供模型训练，默认 Text-CNN 字符级卷积网络作为 baseline ，自带早停操作，使用少的参数即可开始训练多分类模型。
直接使用 emample/sa_ui.py 进行前端 ui 展示效果
# 安装 streamlit 之后直接运行脚本
streamlit run sa_ui.py
使用方法
- pip install litNlp
- 模型需要先通过训练，保存在 sa_model 里面，然后就可以批预测，具体的使用见 example 文件内容
from litNlp.predict import SA_Model_Predict
# 批处理文本
predict_text = ['这个我不喜欢', '这个我喜欢不']
# 初始化并加载模型
tokenizer_path = 'sa_model/tokenizer.pickle'
sa_model_path = 'sa_model/c_cnn_m.h5'
model = SA_Model_Predict(tokenizer_path,sa_model_path_m=sa_model_path)
sa_score = model.predict(predict_text)
print([i[1] for i in sa_score])参数解释
# 最大句子长度
maxlen = 100
# 最大的tokenizer字典长度
max_words = 1000
# 设置embedding大小
embedding_dim = 300
# 模型的保存位置，后续用于推理
sa_model_path_m = 'sa_model/c_cnn_m.h5'
# 离线保存tokenizer
tokenize_path ='sa_model/tokenizer.pickle'
# 分类的类别数
num_classes = 2
# train_method : 模型训练方式，默认textcnn，可选：bilstm, gru
train_method = 'textcnn'2 个 epoch 的二分类性能
jupyter 加载
情感分析，优化语义的情感推理
