Text Classification
Transformers
Safetensors
Spanish
bert
machine-learning
educational-example
text-embeddings-inference
Instructions to use WalterWi/transformers_clas_texto with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use WalterWi/transformers_clas_texto with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-classification", model="WalterWi/transformers_clas_texto")# pip install -U transformers accelerate # Load model directly from transformers import AutoTokenizer, AutoModelForSequenceClassification tokenizer = AutoTokenizer.from_pretrained("WalterWi/transformers_clas_texto") model = AutoModelForSequenceClassification.from_pretrained("WalterWi/transformers_clas_texto", device_map="auto") - Notebooks
- Google Colab
- Kaggle
Download predict.py from WalterWi/transformers_clas_texto: direct link, hf CLI and curl.
- Browser
- Download file 1.09 kB
-
https://huggingface.co/WalterWi/transformers_clas_texto/resolve/main/predict.py
- Command line
-
hf download hf://WalterWi/transformers_clas_texto/predict.py
-
curl -L -o predict.py https://huggingface.co/WalterWi/transformers_clas_texto/resolve/main/predict.py
1.09 kB
| """Carga el modelo y el tokenizer de esta carpeta y clasifica comentarios nuevos. | |
| Uso: | |
| python predict.py | |
| Cuando el modelo esté publicado en Hugging Face Hub, se carga igual cambiando la carpeta | |
| por el nombre del repo: | |
| pipeline("text-classification", model="tu-usuario/nombre-del-repo") | |
| """ | |
| from pathlib import Path | |
| from transformers import pipeline | |
| CARPETA = Path(__file__).parent | |
| clasificador = pipeline("text-classification", model=str(CARPETA)) | |
| comentarios = [ | |
| "el departamento es muy luminoso", | |
| "me pareció un lugar ruidoso", | |
| "es amplio pero sobre todo tranquilo", | |
| "la verdad es húmedo y oscuro", | |
| "tiene una vista increíble", # palabras que el tokenizer nunca vio: van a [UNK] | |
| ] | |
| for comentario, resultado in zip(comentarios, clasificador(comentarios)): | |
| print(f"{comentario!r} -> {resultado['label']} ({resultado['score']:.2f})") | |
| # Para ver cómo corta el tokenizer un texto: | |
| tokens = clasificador.tokenizer.tokenize("tiene una vista increíble") | |
| print("Tokens de 'tiene una vista increíble':", tokens) | |