Upload 12 files

Upload model files and tokenizer

README.md

@@ -1,3 +0,0 @@
----
-license: mit
----

configuration_tinytransformer.py

@@ -0,0 +1,26 @@
+from transformers import PretrainedConfig
+
+class TinyTransformerConfig(PretrainedConfig):
+    model_type = "tinytransformer"
+    
+    def __init__(
+        self,
+        vocab_size=5000,
+        hidden_size=128,
+        num_hidden_layers=2,
+        num_attention_heads=4,
+        intermediate_size=512,
+        max_position_embeddings=512,
+        dropout=0.1,
+        num_labels=2,
+        **kwargs
+    ):
+        super().__init__(**kwargs)
+        self.vocab_size = vocab_size
+        self.hidden_size = hidden_size
+        self.num_hidden_layers = num_hidden_layers
+        self.num_attention_heads = num_attention_heads
+        self.intermediate_size = intermediate_size
+        self.max_position_embeddings = max_position_embeddings
+        self.dropout = dropout
+        self.num_labels = num_labels

data/train_data.jsonl

@@ -0,0 +1,668 @@
+{"text": "这家店的衣服质量很好，穿起来很舒服", "label": 1}
+{"text": "这家店的衣服质量很好，穿起来很舒服", "label": 1}
+{"text": "性价比超高，下次还来", "label": 1}
+{"text": "物流太慢了，东西也一般", "label": 0}
+{"text": "老板人超好，东西也漂亮", "label": 1}
+{"text": "垃圾东西，买了就后悔", "label": 0}
+{"text": "五星好评，强烈推荐", "label": 1}
+{"text": "差评，质量太差了", "label": 0}
+{"text": "包装精美，很有档次", "label": 1}
+{"text": "客服完全不理人，太失望了", "label": 0}
+{"text": "面料柔软，做工精细", "label": 1}
+{"text": "实物与图片严重不符", "label": 0}
+{"text": "穿着合身，版型很正", "label": 1}
+{"text": "尺码不准，太大了", "label": 0}
+{"text": "颜色鲜艳，很显气质", "label": 1}
+{"text": "掉色严重，不敢再洗", "label": 0}
+{"text": "性价比之王，物超所值", "label": 1}
+{"text": "价格虚高，完全不值", "label": 0}
+{"text": "款式新颖，朋友都说好看", "label": 1}
+{"text": "线头太多，细节粗糙", "label": 0}
+{"text": "发货迅速，第二天就到了", "label": 1}
+{"text": "等了半个月还没发货", "label": 0}
+{"text": "设计独特，回头率很高", "label": 1}
+{"text": "材质廉价，像地摊货", "label": 0}
+{"text": "穿上显瘦，很满意", "label": 1}
+{"text": "穿上显胖，版型有问题", "label": 0}
+{"text": "客服耐心解答，服务周到", "label": 1}
+{"text": "售后推诿，问题没解决", "label": 0}
+{"text": "穿着舒适，适合日常", "label": 1}
+{"text": "布料扎人，根本没法穿", "label": 0}
+{"text": "细节完美，没有瑕疵", "label": 1}
+{"text": "有污渍，明显是二手", "label": 0}
+{"text": "物美价廉，会回购", "label": 1}
+{"text": "质量差到没朋友", "label": 0}
+{"text": "上身效果惊艳", "label": 1}
+{"text": "和想象中天差地别", "label": 0}
+{"text": "包装严实，没有损坏", "label": 1}
+{"text": "收到时包装都破了", "label": 0}
+{"text": "卖家很有诚信", "label": 1}
+{"text": "虚假宣传，骗人的", "label": 0}
+{"text": "穿着透气不闷热", "label": 1}
+{"text": "闷热不透气，很难受", "label": 0}
+{"text": "做工考究，大牌感觉", "label": 1}
+{"text": "扣子都快掉了", "label": 0}
+{"text": "款式百搭，好搭配", "label": 1}
+{"text": "很难搭配，闲置了", "label": 0}
+{"text": "物流信息更新及时", "label": 1}
+{"text": "物流信息一直不更新", "label": 0}
+{"text": "价格实惠，质量过硬", "label": 1}
+{"text": "一分钱一分货，太差了", "label": 0}
+{"text": "客服回复很快", "label": 1}
+{"text": "问了半天没人回", "label": 0}
+{"text": "尺码标准，按平时码买就行", "label": 1}
+{"text": "尺码混乱，不知道该买什么码", "label": 0}
+{"text": "没有色差，和图片一样", "label": 1}
+{"text": "色差巨大，根本不是同一个颜色", "label": 0}
+{"text": "面料有弹性，活动自如", "label": 1}
+{"text": "弹性差，一动就紧绷", "label": 0}
+{"text": "赠品也很实用", "label": 1}
+{"text": "说好的赠品没有发", "label": 0}
+{"text": "穿着显高，很满意", "label": 1}
+{"text": "穿着显矮，比例奇怪", "label": 0}
+{"text": "洗涤后不变形", "label": 1}
+{"text": "洗了一次就缩水了", "label": 0}
+{"text": "卖家态度亲切", "label": 1}
+{"text": "卖家态度恶劣，爱答不理", "label": 0}
+{"text": "穿着很舒服，像没穿一样", "label": 1}
+{"text": "穿着难受，束缚感强", "label": 0}
+{"text": "物有所值，非常满意", "label": 1}
+{"text": "浪费钱，后悔死了", "label": 0}
+{"text": "设计人性化，口袋多", "label": 1}
+{"text": "设计反人类，不方便", "label": 0}
+{"text": "版型修身，不臃肿", "label": 1}
+{"text": "版型宽松，像睡袋", "label": 0}
+{"text": "颜色正，很衬肤色", "label": 1}
+{"text": "颜色显黑，不适合", "label": 0}
+{"text": "性价比高到爆炸", "label": 1}
+{"text": "性价比为零，纯属坑人", "label": 0}
+{"text": "客服主动解决问题", "label": 1}
+{"text": "客服只会复制粘贴", "label": 0}
+{"text": "包装很有仪式感", "label": 1}
+{"text": "包装简陋，就一个塑料袋", "label": 0}
+{"text": "穿着逛街一整天都不累", "label": 1}
+{"text": "穿了半小时就不舒服", "label": 0}
+{"text": "值得这个价钱", "label": 1}
+{"text": "白送我都不要", "label": 0}
+{"text": "细节处理得很好", "label": 1}
+{"text": "到处都是线头", "label": 0}
+{"text": "面料厚实，有质感", "label": 1}
+{"text": "面料薄透，很廉价", "label": 0}
+{"text": "上身效果好，显气质", "label": 1}
+{"text": "上身效果土气", "label": 0}
+{"text": "发货快，物流给力", "label": 1}
+{"text": "发货慢，物流更慢", "label": 0}
+{"text": "卖家很负责任", "label": 1}
+{"text": "出了问题卖家就消失", "label": 0}
+{"text": "穿着很凉快", "label": 1}
+{"text": "���着很闷，不透气", "label": 0}
+{"text": "没有异味，可以直接穿", "label": 1}
+{"text": "味道刺鼻，不敢穿", "label": 0}
+{"text": "裁剪立体，很显身材", "label": 1}
+{"text": "裁剪有问题，歪歪扭扭", "label": 0}
+{"text": "配件质量也很好", "label": 1}
+{"text": "拉链是坏的", "label": 0}
+{"text": "颜色耐看，不过时", "label": 1}
+{"text": "颜色老气，像大妈穿的", "label": 0}
+{"text": "客服热情有礼貌", "label": 1}
+{"text": "客服冷冰冰的", "label": 0}
+{"text": "包装盒很漂亮", "label": 1}
+{"text": "包装破损严重", "label": 0}
+{"text": "穿着轻便无负担", "label": 1}
+{"text": "衣服很重，穿着累", "label": 0}
+{"text": "洗涤说明清晰", "label": 1}
+{"text": "没有洗涤标签", "label": 0}
+{"text": "物美价廉的代表", "label": 1}
+{"text": "价格高质量差", "label": 0}
+{"text": "非常百搭的一款", "label": 1}
+{"text": "很难搭配衣服", "label": 0}
+{"text": "穿着很显瘦", "label": 1}
+{"text": "穿着显胖十斤", "label": 0}
+{"text": "没有任何瑕疵", "label": 1}
+{"text": "有明显破洞", "label": 0}
+{"text": "面料顺滑，手感好", "label": 1}
+{"text": "面料粗糙，磨皮肤", "label": 0}
+{"text": "设计简洁大方", "label": 1}
+{"text": "设计花里胡哨", "label": 0}
+{"text": "尺码很全，选择多", "label": 1}
+{"text": "尺码不全，没我穿的", "label": 0}
+{"text": "物流送货上门", "label": 1}
+{"text": "物流直接扔快递柜", "label": 0}
+{"text": "客服专业，解答清楚", "label": 1}
+{"text": "客服一问三不知", "label": 0}
+{"text": "上身效果超好", "label": 1}
+{"text": "上身效果灾难", "label": 0}
+{"text": "质量对得起价格", "label": 1}
+{"text": "质量配不上价格", "label": 0}
+{"text": "穿着很挺括", "label": 1}
+{"text": "软塌塌的没型", "label": 0}
+{"text": "没有多余的线头", "label": 1}
+{"text": "线头多到可以织毛衣", "label": 0}
+{"text": "颜色饱满，无色差", "label": 1}
+{"text": "颜色发旧，像穿过的", "label": 0}
+{"text": "穿着很有型", "label": 1}
+{"text": "穿着松松垮垮", "label": 0}
+{"text": "物流时效快", "label": 1}
+{"text": "物流龟速", "label": 0}
+{"text": "客服态度超级好", "label": 1}
+{"text": "客服态度让人火大", "label": 0}
+{"text": "包装用心，防震好", "label": 1}
+{"text": "包装随便，东西都压坏了", "label": 0}
+{"text": "穿着不皱，好打理", "label": 1}
+{"text": "容易起皱，很难熨", "label": 0}
+{"text": "款式经典，不过时", "label": 1}
+{"text": "款式过时，老土", "label": 0}
+{"text": "性价比无敌", "label": 1}
+{"text": "毫无性价比", "label": 0}
+{"text": "客服响应迅速", "label": 1}
+{"text": "客服永远在忙", "label": 0}
+{"text": "面料高级，有光泽", "label": 1}
+{"text": "面料廉价，没光泽", "label": 0}
+{"text": "穿着很舒服，不紧绷", "label": 1}
+{"text": "勒得慌，不舒服", "label": 0}
+{"text": "细节满分", "label": 1}
+{"text": "细节处理粗糙", "label": 0}
+{"text": "颜色正点，很喜欢", "label": 1}
+{"text": "颜色丑到没法看", "label": 0}
+{"text": "物流服务好", "label": 1}
+{"text": "物流态度差", "label": 0}
+{"text": "客服解决问题的能力强", "label": 1}
+{"text": "客服只会说抱歉", "label": 0}
+{"text": "包装完整无缺", "label": 1}
+{"text": "包装被拆过", "label": 0}
+{"text": "穿着显腿长", "label": 1}
+{"text": "穿着五五分", "label": 0}
+{"text": "质量超出预期", "label": 1}
+{"text": "质量低于预期", "label": 0}
+{"text": "面料亲肤", "label": 1}
+{"text": "面料过敏，起红疹", "label": 0}
+{"text": "设计巧妙，有心思", "label": 1}
+{"text": "设计简陋，没诚意", "label": 0}
+{"text": "尺码标注准确", "label": 1}
+{"text": "尺码完全不对", "label": 0}
+{"text": "物流跟踪信息准确", "label": 1}
+{"text": "物流信息错误", "label": 0}
+{"text": "客服让人如沐春风", "label": 1}
+{"text": "客服让人心情烦躁", "label": 0}
+{"text": "包装环保可回收", "label": 1}
+{"text": "包装过度浪费", "label": 0}
+{"text": "穿着活动方便", "label": 1}
+{"text": "穿着行动不便", "label": 0}
+{"text": "洗涤后不褪色", "label": 1}
+{"text": "洗一次颜色就淡了", "label": 0}
+{"text": "款式时尚潮流", "label": 1}
+{"text": "款式丑爆了", "label": 0}
+{"text": "物超所值，太划算了", "label": 1}
+{"text": "完全不值这个价", "label": 0}
+{"text": "客服很有耐心", "label": 1}
+{"text": "客服不耐烦", "label": 0}
+{"text": "面料垂感好", "label": 1}
+{"text": "面料没垂感，蓬着", "label": 0}
+{"text": "穿着显白", "label": 1}
+{"text": "穿着显黑", "label": 0}
+{"text": "细节精致", "label": 1}
+{"text": "细节马虎", "label": 0}
+{"text": "颜色漂亮，和描述一致", "label": 1}
+{"text": "颜色暗沉，不好看", "label": 0}
+{"text": "物流准时送达", "label": 1}
+{"text": "物流延误好几天", "label": 0}
+{"text": "客服主动联系我", "label": 1}
+{"text": "客服联系不上", "label": 0}
+{"text": "包装有品牌logo", "label": 1}
+{"text": "包装像三无产品", "label": 0}
+{"text": "穿着很精神", "label": 1}
+{"text": "穿着没精神", "label": 0}
+{"text": "质量杠杠的", "label": 1}
+{"text": "质量一塌糊涂", "label": 0}
+{"text": "面料透气吸汗", "label": 1}
+{"text": "面料闷汗不透气", "label": 0}
+{"text": "设计有特色", "label": 1}
+{"text": "设计平庸，没亮点", "label": 0}
+{"text": "尺码选择多样", "label": 1}
+{"text": "尺码断码严重", "label": 0}
+{"text": "物流包装完好", "label": 1}
+{"text": "物流导致商品损坏", "label": 0}
+{"text": "客服经验丰富", "label": 1}
+{"text": "客服不专业", "label": 0}
+{"text": "包装防潮处理", "label": 1}
+{"text": "包装简陋，受潮了", "label": 0}
+{"text": "穿着不显胖", "label": 1}
+{"text": "穿着像熊一样", "label": 0}
+{"text": "洗涤方便，机洗就行", "label": 1}
+{"text": "只能干洗，麻烦", "label": 0}
+{"text": "款式百看不厌", "label": 1}
+{"text": "款式看久了就腻", "label": 0}
+{"text": "价格便宜质量好", "label": 1}
+{"text": "便宜没好货", "label": 0}
+{"text": "客服善解人意", "label": 1}
+{"text": "客服不理解客户需求", "label": 0}
+{"text": "面料不易起球", "label": 1}
+{"text": "穿两次就起球", "label": 0}
+{"text": "穿着显年轻", "label": 1}
+{"text": "穿着显老", "label": 0}
+{"text": "细节无可挑剔", "label": 1}
+{"text": "细节经不起推敲", "label": 0}
+{"text": "颜色亮丽", "label": 1}
+{"text": "颜色灰扑扑", "label": 0}
+{"text": "物流服务贴心", "label": 1}
+{"text": "物流暴力分拣", "label": 0}
+{"text": "客服全程跟进", "label": 1}
+{"text": "客服爱理不理", "label": 0}
+{"text": "包装有惊喜", "label": 1}
+{"text": "包装令人失望", "label": 0}
+{"text": "穿着很合身", "label": 1}
+{"text": "穿着哪里都不合适", "label": 0}
+{"text": "质量堪比专柜", "label": 1}
+{"text": "质量不如地摊", "label": 0}
+{"text": "面料手感柔软", "label": 1}
+{"text": "面料硬邦邦", "label": 0}
+{"text": "设计感强", "label": 1}
+{"text": "设计俗气", "label": 0}
+{"text": "尺码非常准", "label": 1}
+{"text": "尺码偏差大", "label": 0}
+{"text": "物流效率高", "label": 1}
+{"text": "物流效率低下", "label": 0}
+{"text": "客服态度诚恳", "label": 1}
+{"text": "客服态度敷衍", "label": 0}
+{"text": "包装保护到位", "label": 1}
+{"text": "包装根本没法保护商品", "label": 0}
+{"text": "穿着无拘无束", "label": 1}
+{"text": "穿着束手束脚", "label": 0}
+{"text": "容易清洗，干得快", "label": 1}
+{"text": "很难清洗，干得慢", "label": 0}
+{"text": "款式优雅", "label": 1}
+{"text": "款式俗不可耐", "label": 0}
+{"text": "性价比超高，物有所值", "label": 1}
+{"text": "性价比低，浪费钱", "label": 0}
+{"text": "客服回复专业", "label": 1}
+{"text": "客服回复含糊", "label": 0}
+{"text": "面料保暖性好", "label": 1}
+{"text": "面料不保暖", "label": 0}
+{"text": "穿着显高显瘦", "label": 1}
+{"text": "穿着又矮又胖", "label": 0}
+{"text": "细节处理完美", "label": 1}
+{"text": "细节惨不忍睹", "label": 0}
+{"text": "颜色纯正", "label": 1}
+{"text": "颜色混杂", "label": 0}
+{"text": "物流准时", "label": 1}
+{"text": "物流不准时", "label": 0}
+{"text": "客服热情洋溢", "label": 1}
+{"text": "客服死气沉沉", "label": 0}
+{"text": "包装有质感", "label": 1}
+{"text": "包装廉价感十足", "label": 0}
+{"text": "穿着舒服到不想脱", "label": 1}
+{"text": "穿着恨不得马上脱掉", "label": 0}
+{"text": "质量上乘", "label": 1}
+{"text": "质量下乘", "label": 0}
+{"text": "面料细腻", "label": 1}
+{"text": "面料粗糙", "label": 0}
+{"text": "设计新颖别致", "label": 1}
+{"text": "设计抄袭山寨", "label": 0}
+{"text": "尺码选择丰富", "label": 1}
+{"text": "尺码选择少", "label": 0}
+{"text": "物流速度快", "label": 1}
+{"text": "物流速度慢", "label": 0}
+{"text": "客服能解决问题", "label": 1}
+{"text": "客服解决不了问题", "label": 0}
+{"text": "包装设计精美", "label": 1}
+{"text": "包装设计丑", "label": 0}
+{"text": "穿着无负担", "label": 1}
+{"text": "穿着有负担", "label": 0}
+{"text": "容易搭配", "label": 1}
+{"text": "很难搭配", "label": 0}
+{"text": "款式大方得体", "label": 1}
+{"text": "款式小气难看", "label": 0}
+{"text": "价格合理", "label": 1}
+{"text": "价格离谱", "label": 0}
+{"text": "客服服务到位", "label": 1}
+{"text": "客服服务不到位", "label": 0}
+{"text": "面料不易变形", "label": 1}
+{"text": "面料容易变形", "label": 0}
+{"text": "穿着有范儿", "label": 1}
+{"text": "穿着土里土气", "label": 0}
+{"text": "细节讲究", "label": 1}
+{"text": "细节马虎了事", "label": 0}
+{"text": "颜色鲜艳夺目", "label": 1}
+{"text": "颜色暗淡无光", "label": 0}
+{"text": "物流服务规范", "label": 1}
+{"text": "物流服务不规范", "label": 0}
+{"text": "客服有问必答", "label": 1}
+{"text": "客服答非所问", "label": 0}
+{"text": "包装完好如新", "label": 1}
+{"text": "包装破旧不堪", "label": 0}
+{"text": "穿着感很好", "label": 1}
+{"text": "穿着感很差", "label": 0}
+{"text": "质量可靠", "label": 1}
+{"text": "质量不可靠", "label": 0}
+{"text": "面料轻盈", "label": 1}
+{"text": "面料沉重", "label": 0}
+{"text": "设计独特", "label": 1}
+{"text": "设计普通", "label": 0}
+{"text": "尺码表准确", "label": 1}
+{"text": "尺码表不准", "label": 0}
+{"text": "物流信息透明", "label": 1}
+{"text": "物流信息不透明", "label": 0}
+{"text": "客服有礼貌", "label": 1}
+{"text": "客服没礼貌", "label": 0}
+{"text": "包装令人满意", "label": 1}
+{"text": "包装令人不满", "label": 0}
+{"text": "穿着贴身不紧绷", "label": 1}
+{"text": "穿着要么紧要么松", "label": 0}
+{"text": "洗涤后保持原样", "label": 1}
+{"text": "洗一次就垮了", "label": 0}
+{"text": "款式适合多种场合", "label": 1}
+{"text": "款式只适合特定场合", "label": 0}
+{"text": "物美价廉，推荐购买", "label": 1}
+{"text": "价格虚高，不推荐", "label": 0}
+{"text": "客服态度积极", "label": 1}
+{"text": "客服态度消极", "label": 0}
+{"text": "面料有弹性", "label": 1}
+{"text": "面料无弹性", "label": 0}
+{"text": "穿着提升气质", "label": 1}
+{"text": "穿着拉低气质", "label": 0}
+{"text": "细节处理到位", "label": 1}
+{"text": "细节处理不到位", "label": 0}
+{"text": "颜色是我想要的", "label": 1}
+{"text": "颜色不是我想要的", "label": 0}
+{"text": "物流值得表扬", "label": 1}
+{"text": "物流需要批评", "label": 0}
+{"text": "客服让人放心", "label": 1}
+{"text": "客服让人不放心", "label": 0}
+{"text": "包装保护性强", "label": 1}
+{"text": "包装没有保护性", "label": 0}
+{"text": "穿着非常满意", "label": 1}
+{"text": "穿着非常失望", "label": 0}
+{"text": "质量没得说", "label": 1}
+{"text": "质量不敢恭维", "label": 0}
+{"text": "面料适合季节", "label": 1}
+{"text": "面料不适合季节", "label": 0}
+{"text": "设计符合描述", "label": 1}
+{"text": "设计与描述不符", "label": 0}
+{"text": "尺码推荐准确", "label": 1}
+{"text": "尺码推荐错误", "label": 0}
+{"text": "物流配送及时", "label": 1}
+{"text": "物流配送延误", "label": 0}
+{"text": "客服解决问题快", "label": 1}
+{"text": "客服拖延问题", "label": 0}
+{"text": "包装有档次", "label": 1}
+{"text": "包装没档次", "label": 0}
+{"text": "穿着无不适", "label": 1}
+{"text": "穿着各种不适", "label": 0}
+{"text": "款式简约时尚", "label": 1}
+{"text": "款式复杂难看", "label": 0}
+{"text": "价格实惠，值得买", "label": 1}
+{"text": "价格贵，不值得", "label": 0}
+{"text": "客服主动帮忙", "label": 1}
+{"text": "客服被动应付", "label": 0}
+{"text": "面料不起静电", "label": 1}
+{"text": "面料静电严重", "label": 0}
+{"text": "穿着很有时尚感", "label": 1}
+{"text": "穿着很土", "label": 0}
+{"text": "细节体现品质", "label": 1}
+{"text": "细节体现廉价", "label": 0}
+{"text": "颜色搭配好看", "label": 1}
+{"text": "颜色搭配难看", "label": 0}
+{"text": "物流服务优质", "label": 1}
+{"text": "物流服务劣质", "label": 0}
+{"text": "客服有同理心", "label": 1}
+{"text": "客服没有同理心", "label": 0}
+{"text": "包装仔细", "label": 1}
+{"text": "包装马虎", "label": 0}
+{"text": "穿着感舒适", "label": 1}
+{"text": "穿着感痛苦", "label": 0}
+{"text": "质量过硬", "label": 1}
+{"text": "质量不过关", "label": 0}
+{"text": "面料有质感", "label": 1}
+{"text": "面料没质感", "label": 0}
+{"text": "设计贴心", "label": 1}
+{"text": "设计反人类", "label": 0}
+{"text": "尺码合适", "label": 1}
+{"text": "尺码不合适", "label": 0}
+{"text": "物流令人满意", "label": 1}
+{"text": "物流令人失望", "label": 0}
+{"text": "客服态度友好", "label": 1}
+{"text": "客服态度敌对", "label": 0}
+{"text": "包装安全", "label": 1}
+{"text": "包装不安全", "label": 0}
+{"text": "穿着效果棒", "label": 1}
+{"text": "穿着效果差", "label": 0}
+{"text": "质量很好", "label": 1}
+{"text": "质量很差", "label": 0}
+{"text": "面料舒适", "label": 1}
+{"text": "面料不适", "label": 0}
+{"text": "设计优秀", "label": 1}
+{"text": "设计糟糕", "label": 0}
+{"text": "尺码完美", "label": 1}
+{"text": "尺码错误", "label": 0}
+{"text": "物流高效", "label": 1}
+{"text": "物流低效", "label": 0}
+{"text": "客服优秀", "label": 1}
+{"text": "客服糟糕", "label": 0}
+{"text": "包装优秀", "label": 1}
+{"text": "包装糟糕", "label": 0}
+{"text": "穿着优秀", "label": 1}
+{"text": "穿着糟糕", "label": 0}
+{"text": "总体满意", "label": 1}
+{"text": "总体失望", "label": 0}
+{"text": "会推荐给朋友", "label": 1}
+{"text": "不会推荐给任何人", "label": 0}
+{"text": "购物体验愉快", "label": 1}
+{"text": "购物体验糟糕", "label": 0}
+{"text": "值得购买", "label": 1}
+{"text": "不值得购买", "label": 0}
+{"text": "非常好", "label": 1}
+{"text": "非常差", "label": 0}
+{"text": "很喜欢", "label": 1}
+{"text": "很讨厌", "label": 0}
+{"text": "会再次光顾", "label": 1}
+{"text": "不会再光顾", "label": 0}
+{"text": "物超所值", "label": 1}
+{"text": "名不副实", "label": 0}
+{"text": "强烈推荐", "label": 1}
+{"text": "强烈不推荐", "label": 0}
+{"text": "满分好评", "label": 1}
+{"text": "零分差评", "label": 0}
+{"text": "很棒的一次购物", "label": 1}
+{"text": "糟糕的一次购物", "label": 0}
+{"text": "卖家很靠谱", "label": 1}
+{"text": "卖家不靠谱", "label": 0}
+{"text": "正品保证", "label": 1}
+{"text": "疑似假货", "label": 0}
+{"text": "服务周到", "label": 1}
+{"text": "服务不到位", "label": 0}
+{"text": "无可挑剔", "label": 1}
+{"text": "一无是处", "label": 0}
+{"text": "必须给好评", "label": 1}
+{"text": "只能给差评", "label": 0}
+{"text": "超出预期", "label": 1}
+{"text": "低于预期", "label": 0}
+{"text": "完美", "label": 1}
+{"text": "失败", "label": 0}
+{"text": "满意至极", "label": 1}
+{"text": "失望透顶", "label": 0}
+{"text": "物美价廉", "label": 1}
+{"text": "价高质次", "label": 0}
+{"text": "优质商家", "label": 1}
+{"text": "不良商家", "label": 0}
+{"text": "愉快的交易", "label": 1}
+{"text": "糟心的交易", "label": 0}
+{"text": "值得信赖", "label": 1}
+{"text": "不可信赖", "label": 0}
+{"text": "会回购", "label": 1}
+{"text": "不会再买", "label": 0}
+{"text": "品质保证", "label": 1}
+{"text": "品质低劣", "label": 0}
+{"text": "服务热情", "label": 1}
+{"text": "服务冷淡", "label": 0}
+{"text": "无可替代", "label": 1}
+{"text": "毫无特色", "label": 0}
+{"text": "绝对好评", "label": 1}
+{"text": "绝对差评", "label": 0}
+{"text": "非常满意", "label": 1}
+{"text": "非常不满", "label": 0}
+{"text": "点赞", "label": 1}
+{"text": "踩雷", "label": 0}
+{"text": "物有所值", "label": 1}
+{"text": "一文不值", "label": 0}
+{"text": "良心商家", "label": 1}
+{"text": "黑心商家", "label": 0}
+{"text": "愉快的体验", "label": 1}
+{"text": "糟糕的体验", "label": 0}
+{"text": "信任这家店", "label": 1}
+{"text": "再也不信这家店", "label": 0}
+{"text": "支持卖家", "label": 1}
+{"text": "抵制卖家", "label": 0}
+{"text": "满分", "label": 1}
+{"text": "零分", "label": 0}
+{"text": "好极了", "label": 1}
+{"text": "糟透了", "label": 0}
+{"text": "喜欢", "label": 1}
+{"text": "讨厌", "label": 0}
+{"text": "开心", "label": 1}
+{"text": "生气", "label": 0}
+{"text": "惊喜", "label": 1}
+{"text": "惊吓", "label": 0}
+{"text": "物超所值，太棒了", "label": 1}
+{"text": "名不副实，太差了", "label": 0}
+{"text": "必须推荐", "label": 1}
+{"text": "必须避坑", "label": 0}
+{"text": "优质产品", "label": 1}
+{"text": "劣质产品", "label": 0}
+{"text": "服务一流", "label": 1}
+{"text": "服务末流", "label": 0}
+{"text": "无可挑剔，完美", "label": 1}
+{"text": "全是缺点，垃圾", "label": 0}
+{"text": "会一直支持", "label": 1}
+{"text": "会立刻拉黑", "label": 0}
+{"text": "物美价廉，赞", "label": 1}
+{"text": "价高质劣，呸", "label": 0}
+{"text": "愉快的购物", "label": 1}
+{"text": "痛苦的购物", "label": 0}
+{"text": "值得五星", "label": 1}
+{"text": "只配一星", "label": 0}
+{"text": "好商家", "label": 1}
+{"text": "坏商家", "label": 0}
+{"text": "交易顺利", "label": 1}
+{"text": "交易纠纷", "label": 0}
+{"text": "信赖之选", "label": 1}
+{"text": "拉黑之选", "label": 0}
+{"text": "会再来", "label": 1}
+{"text": "永别了", "label": 0}
+{"text": "品质上乘", "label": 1}
+{"text": "品质下等", "label": 0}
+{"text": "热情服务", "label": 1}
+{"text": "冷漠服务", "label": 0}
+{"text": "独一无二", "label": 1}
+{"text": "平平无奇", "label": 0}
+{"text": "绝对满意", "label": 1}
+{"text": "绝对不满", "label": 0}
+{"text": "非常棒", "label": 1}
+{"text": "非常烂", "label": 0}
+{"text": "强烈安利", "label": 1}
+{"text": "强烈吐槽", "label": 0}
+{"text": "物超所值，惊喜", "label": 1}
+{"text": "完全不值，后悔", "label": 0}
+{"text": "良心推荐", "label": 1}
+{"text": "良心劝退", "label": 0}
+{"text": "体验完美", "label": 1}
+{"text": "体验极差", "label": 0}
+{"text": "信任这家", "label": 1}
+{"text": "不信任这家", "label": 0}
+{"text": "支持支持", "label": 1}
+{"text": "抵制抵制", "label": 0}
+{"text": "满分好评！", "label": 1}
+{"text": "零分差评！", "label": 0}
+{"text": "好到没话说", "label": 1}
+{"text": "差到没话说", "label": 0}
+{"text": "喜欢得不得了", "label": 1}
+{"text": "讨厌得不得了", "label": 0}
+{"text": "开心购物", "label": 1}
+{"text": "生气购物", "label": 0}
+{"text": "惊喜连连", "label": 1}
+{"text": "惊吓连连", "label": 0}
+{"text": "物超所值，爱了", "label": 1}
+{"text": "名不副实，恨了", "label": 0}
+{"text": "必须好评", "label": 1}
+{"text": "必须差评", "label": 0}
+{"text": "优质之选", "label": 1}
+{"text": "劣质之选", "label": 0}
+{"text": "服务超赞", "label": 1}
+{"text": "服务超烂", "label": 0}
+{"text": "无可挑剔，给力", "label": 1}
+{"text": "一无是处，垃圾", "label": 0}
+{"text": "会一直买", "label": 1}
+{"text": "绝不会再买", "label": 0}
+{"text": "物美价廉，顶", "label": 1}
+{"text": "价高质劣，踩", "label": 0}
+{"text": "愉快的一次购物", "label": 1}
+{"text": "糟糕的一次购物", "label": 0}
+{"text": "值得推荐给大家", "label": 1}
+{"text": "值得提醒大家避雷", "label": 0}
+{"text": "好店", "label": 1}
+{"text": "黑店", "label": 0}
+{"text": "交易愉快", "label": 1}
+{"text": "交易不愉快", "label": 0}
+{"text": "信赖这家店", "label": 1}
+{"text": "不信赖这家店", "label": 0}
+{"text": "支持商家", "label": 1}
+{"text": "反对商家", "label": 0}
+{"text": "满分体验", "label": 1}
+{"text": "零分体验", "label": 0}
+{"text": "好产品", "label": 1}
+{"text": "烂产品", "label": 0}
+{"text": "喜欢这家店", "label": 1}
+{"text": "讨厌这家店", "label": 0}
+{"text": "开心满意", "label": 1}
+{"text": "生气失望", "label": 0}
+{"text": "惊喜不断", "label": 1}
+{"text": "惊吓不断", "label": 0}
+{"text": "物超所值，推荐", "label": 1}
+{"text": "完全不值，别买", "label": 0}
+{"text": "良心商家，赞", "label": 1}
+{"text": "黑心商家，呸", "label": 0}
+{"text": "完美体验", "label": 1}
+{"text": "糟糕体验", "label": 0}
+{"text": "信任推荐", "label": 1}
+{"text": "不信任不推荐", "label": 0}
+{"text": "大力支持", "label": 1}
+{"text": "强烈抵制", "label": 0}
+{"text": "五星好评！", "label": 1}
+{"text": "一星差评！", "label": 0}
+{"text": "好得超出想象", "label": 1}
+{"text": "差得超出想象", "label": 0}
+{"text": "非常喜欢", "label": 1}
+{"text": "非常讨厌", "label": 0}
+{"text": "购物开心", "label": 1}
+{"text": "购物闹心", "label": 0}
+{"text": "惊喜满满", "label": 1}
+{"text": "惊吓满满", "label": 0}
+{"text": "物超所值，满意", "label": 1}
+{"text": "名不副实，失望", "label": 0}
+{"text": "必须给五星", "label": 1}
+{"text": "必须给一星", "label": 0}
+{"text": "优质好评", "label": 1}
+{"text": "劣质差评", "label": 0}
+{"text": "服务满意", "label": 1}
+{"text": "服务不满意", "label": 0}
+{"text": "无可挑剔，推荐", "label": 1}
+{"text": "一无是处，避雷", "label": 0}
+{"text": "会常来", "label": 1}
+{"text": "不会再来", "label": 0}
+{"text": "物美价廉，好", "label": 1}
+{"text": "价高质劣，坏", "label": 0}
+{"text": "愉快的经历", "label": 1}
+{"text": "糟心的经历", "label": 0}
+{"text": "值得信任", "label": 1}
+{"text": "不值得信任", "label": 0}
+{"text": "支持好评", "label": 1}
+{"text": "支持差评", "label": 0}
+{"text": "满分十分", "label": 1}
+{"text": "零分十分", "label": 0}
+{"text": "好商家好商品", "label": 1}
+{"text": "坏商家坏商品", "label": 0}
+{"text": "喜欢推荐", "label": 1}
+{"text": "讨厌吐槽", "label": 0}
+{"text": "开心好评", "label": 1}
+{"text": "生气差评", "label": 0}
+{"text": "惊喜好评", "label": 1}
+{"text": "惊吓差评", "label": 0}

inference.py

@@ -0,0 +1,60 @@
+# inference.py （完整手动加载版本，绕过所有 Auto 机制）
+
+import torch
+from modeling_tinytransformer import TinyTransformerModel   # 直接导入你的模型类
+from tokenization_tinytransformer import TinyTokenizer      # 你的 tokenizer
+from configuration_tinytransformer import TinyTransformerConfig  # 你的 config 类
+
+model_path = "./tiny-sentiment-model"
+device = "cuda" if torch.cuda.is_available() else "cpu"
+
+print("加载 tokenizer（手动）...")
+tokenizer = TinyTokenizer()
+
+print("加载 config（手动）...")
+config = TinyTransformerConfig.from_pretrained(model_path)  # 用你的 config 类加载
+
+print("加载模型（手动）...")
+model = TinyTransformerModel.from_pretrained(model_path, config=config)
+model.to(device)
+model.eval()
+
+print("模型加载完成！设备：", device)
+
+# ----------------------- 预测函数（保持不变） -----------------------
+def predict(text: str):
+    inputs = tokenizer(
+        text,
+        padding=True,
+        truncation=True,
+        max_length=64,
+        return_tensors="pt"
+    )
+    inputs = {k: v.to(device) for k, v in inputs.items()}
+    
+    with torch.no_grad():
+        outputs = model(**inputs)
+    
+    logits = outputs["logits"] if isinstance(outputs, dict) else outputs.logits
+    probs = torch.softmax(logits, dim=-1)[0]
+    
+    pred_label = torch.argmax(probs).item()
+    confidence = probs[pred_label].item()
+    
+    label_map = {0: "负面", 1: "正面"}
+    
+    print(f"文本: {text}")
+    print(f"预测: {label_map[pred_label]} (置信度: {confidence:.4f})")
+    print(f"负面概率: {probs[0]:.4f} | 正面概率: {probs[1]:.4f}")
+    print("-"*50)
+
+# 测试
+if __name__ == "__main__":
+    test_texts = [
+        "质量超级好，强烈推荐",
+        "服务差劲，东西还贵",
+        "一般般，没什么惊喜",
+        "老板人好，下次还来"
+    ]
+    for text in test_texts:
+        predict(text)

modeling_tinytransformer.py

@@ -0,0 +1,118 @@
+# modeling_tinytransformer.py
+
+import torch
+import torch.nn as nn
+from transformers import PreTrainedModel
+
+from configuration_tinytransformer import TinyTransformerConfig
+
+
+class TinyTransformerModel(PreTrainedModel):
+    """
+    一个非常小的 Transformer 编码器 + 分类头，用于情感分类演示
+    """
+    config_class = TinyTransformerConfig
+
+    def __init__(self, config: TinyTransformerConfig):
+        super().__init__(config)
+        self.config = config
+
+        # 词嵌入
+        self.embedding = nn.Embedding(
+            config.vocab_size,
+            config.hidden_size,
+            padding_idx=config.pad_token_id if hasattr(config, 'pad_token_id') else 0
+        )
+
+        # 位置嵌入（学出来的）
+        self.pos_embedding = nn.Embedding(
+            config.max_position_embeddings,
+            config.hidden_size
+        )
+
+        # Transformer Encoder 层
+        encoder_layer = nn.TransformerEncoderLayer(
+            d_model=config.hidden_size,
+            nhead=config.num_attention_heads,
+            dim_feedforward=config.intermediate_size,
+            dropout=config.dropout,
+            activation="gelu",
+            batch_first=True,
+            norm_first=False  # 经典 post-norm
+        )
+
+        self.encoder = nn.TransformerEncoder(
+            encoder_layer,
+            num_layers=config.num_hidden_layers
+        )
+
+        # dropout 和分类头
+        self.dropout = nn.Dropout(config.dropout)
+        self.classifier = nn.Linear(config.hidden_size, config.num_labels)
+
+        # 必须加这一行，且放在最后
+        self._tied_weights_keys = []
+
+        # 可选调试打印（加这个看是否执行到）
+        print("DEBUG: 已设置 _tied_weights_keys =", self._tied_weights_keys)
+
+    def _init_weights(self, module=None):
+        """简单权重初始化"""
+        if module is None:
+            module = self
+        for m in module.modules():
+            if isinstance(m, nn.Linear):
+                nn.init.xavier_uniform_(m.weight)
+                if m.bias is not None:
+                    nn.init.zeros_(m.bias)
+            elif isinstance(m, nn.Embedding):
+                nn.init.normal_(m.weight, mean=0.0, std=0.02)
+
+    def forward(
+        self,
+        input_ids=None,
+        attention_mask=None,
+        labels=None,
+        **kwargs
+    ):
+        batch_size, seq_len = input_ids.shape
+
+        # 位置编码
+        position_ids = torch.arange(
+            0, seq_len, dtype=torch.long, device=input_ids.device
+        )
+        position_ids = position_ids.unsqueeze(0).expand(batch_size, -1)
+
+        # 嵌入 + 位置
+        x = self.embedding(input_ids) + self.pos_embedding(position_ids)
+        x = self.dropout(x)
+
+        # 处理 attention mask
+        if attention_mask is not None:
+            # src_key_padding_mask: True 表示要忽略的位置 (padding)
+            src_key_padding_mask = (attention_mask == 0)
+        else:
+            src_key_padding_mask = None
+
+        # 通过 Transformer Encoder
+        x = self.encoder(
+            x,
+            src_key_padding_mask=src_key_padding_mask,
+        )
+
+        # 取 [CLS] token（第一个位置）作为句子表示
+        pooled = x[:, 0, :]
+
+        # 分类头
+        logits = self.classifier(pooled)
+
+        loss = None
+        if labels is not None:
+            loss_fct = nn.CrossEntropyLoss()
+            loss = loss_fct(logits.view(-1, self.config.num_labels), labels.view(-1))
+
+        # 返回标准格式
+        return {
+            "loss": loss,
+            "logits": logits
+        }

tiny-sentiment-model/config.json

@@ -0,0 +1,16 @@
+{
+  "architectures": [
+    "TinyTransformerModel"
+  ],
+  "dropout": 0.1,
+  "dtype": "float32",
+  "hidden_size": 128,
+  "intermediate_size": 512,
+  "max_position_embeddings": 512,
+  "model_type": "tinytransformer",
+  "num_attention_heads": 4,
+  "num_hidden_layers": 2,
+  "transformers_version": "5.0.0",
+  "use_cache": false,
+  "vocab_size": 21091
+}

tiny-sentiment-model/model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e589575147bc891e12f4b487ca700d5cdeb258c1d8ace8c54c52d876800fd937
+size 12650760

tiny-sentiment-model/tokenizer_config.json

@@ -0,0 +1,44 @@
+{
+  "added_tokens_decoder": {
+    "0": {
+      "content": "[PAD]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "1": {
+      "content": "[UNK]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "2": {
+      "content": "[CLS]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    },
+    "3": {
+      "content": "[SEP]",
+      "lstrip": false,
+      "normalized": false,
+      "rstrip": false,
+      "single_word": false,
+      "special": true
+    }
+  },
+  "additional_special_tokens": null,
+  "backend": "custom",
+  "cls_token": "[CLS]",
+  "model_max_length": 1000000000000000019884624838656,
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "tokenizer_class": "TinyTokenizer",
+  "unk_token": "[UNK]"
+}

tokenization_tinytransformer.py

@@ -0,0 +1,97 @@
+# tokenization_tinytransformer.py （最完整修复版）
+
+from transformers import PreTrainedTokenizer
+import json
+from typing import List, Dict, Optional
+
+class TinyTokenizer(PreTrainedTokenizer):
+    vocab_files_names = {"vocab_file": "vocab.json"}
+    pretrained_vocab_files_map = {}
+    max_model_input_sizes = {"tinytransformer": 512}
+    model_input_names = ["input_ids", "attention_mask"]
+
+    def __init__(self, vocab_file: Optional[str] = None, **kwargs):
+        # 特殊 token
+        self.special_tokens = {
+            "[PAD]": 0,
+            "[UNK]": 1,
+            "[CLS]": 2,
+            "[SEP]": 3,
+        }
+
+        # 构建 vocab
+        self.vocab: Dict[str, int] = self.special_tokens.copy()
+        offset = len(self.vocab)
+
+        # ASCII + 常用字符
+        for i in range(32, 127):
+            char = chr(i)
+            self.vocab[char] = offset + i - 32
+
+        # 支持中文（常用汉字范围，可扩展）
+        for i in range(0x4e00, 0x9fff + 1):
+            char = chr(i)
+            if char not in self.vocab:
+                self.vocab[char] = len(self.vocab)
+
+        self.id_to_token = {v: k for k, v in self.vocab.items()}
+
+        # 设置特殊 token id
+        self.pad_token_id = 0
+        self.unk_token_id = 1
+        self.cls_token_id = 2
+        self.sep_token_id = 3
+
+        super().__init__(
+            pad_token="[PAD]",
+            unk_token="[UNK]",
+            cls_token="[CLS]",
+            sep_token="[SEP]",
+            **kwargs
+        )
+
+    def get_vocab(self) -> Dict[str, int]:
+        return self.vocab.copy()
+
+    @property
+    def vocab_size(self) -> int:
+        return len(self.vocab)
+
+    def _tokenize(self, text: str) -> List[str]:
+        return list(text)  # 字符级分词
+
+    def convert_tokens_to_ids(self, tokens: List[str]) -> List[int]:
+        return [self.vocab.get(t, self.unk_token_id) for t in tokens]
+
+    def convert_ids_to_tokens(self, ids: List[int]) -> List[str]:
+        return [self.id_to_token.get(i, "[UNK]") for i in ids]
+
+    def build_inputs_with_special_tokens(
+        self, token_ids_0: List[int], token_ids_1: Optional[List[int]] = None
+    ) -> List[int]:
+        if token_ids_1 is None:
+            return [self.cls_token_id] + token_ids_0 + [self.sep_token_id]
+        return [self.cls_token_id] + token_ids_0 + [self.sep_token_id] + token_ids_1 + [self.sep_token_id]
+
+    def create_token_type_ids_from_sequences(
+        self, token_ids_0: List[int], token_ids_1: Optional[List[int]] = None
+    ) -> List[int]:
+        if token_ids_1 is None:
+            return [0] * len([self.cls_token_id] + token_ids_0 + [self.sep_token_id])
+        len0 = len([self.cls_token_id] + token_ids_0 + [self.sep_token_id])
+        len1 = len(token_ids_1 + [self.sep_token_id])
+        return [0] * len0 + [1] * len1
+
+    def save_vocabulary(self, save_directory: str, filename_prefix: Optional[str] = None) -> tuple:
+        vocab_file = f"{filename_prefix}vocab.json" if filename_prefix else "vocab.json"
+        vocab_path = f"{save_directory}/{vocab_file}"
+        with open(vocab_path, "w", encoding="utf-8") as f:
+            json.dump(self.vocab, f, ensure_ascii=False, indent=2)
+        return (vocab_path,)
+    
+
+# # 文件最底部，类定义之后
+# from transformers import TOKENIZER_MAPPING_NAMES
+
+# # 注册（只执行一次，放在这里最安全）
+# TOKENIZER_MAPPING_NAMES["tinytransformer"] = "TinyTokenizer"

train.py

@@ -0,0 +1,52 @@
+from transformers import Trainer, TrainingArguments
+from datasets import Dataset
+import json
+from modeling_tinytransformer import TinyTransformerModel
+from configuration_tinytransformer import TinyTransformerConfig
+from tokenization_tinytransformer import TinyTokenizer
+
+# 加载数据
+data = []
+with open("data/train_data.jsonl", "r", encoding="utf-8") as f:
+    for line in f:
+        data.append(json.loads(line))
+
+dataset = Dataset.from_list(data)
+
+# 简单分词
+tokenizer = TinyTokenizer()
+
+def preprocess(examples):
+    encodings = tokenizer(examples["text"], truncation=True, max_length=64, padding="max_length")
+    encodings["labels"] = examples["label"]
+    return encodings
+
+tokenized_dataset = dataset.map(preprocess, batched=True)
+
+# 初始化模型
+config = TinyTransformerConfig(vocab_size=tokenizer.vocab_size, num_labels=2)
+model = TinyTransformerModel(config)
+
+# 训练设置
+training_args = TrainingArguments(
+    output_dir="./results",
+    num_train_epochs=3,
+    per_device_train_batch_size=4,
+    logging_steps=1,
+    save_strategy="no",
+    report_to="none",
+)
+
+trainer = Trainer(
+    model=model,
+    args=training_args,
+    train_dataset=tokenized_dataset,
+)
+
+trainer.train()
+
+# 保存模型
+
+model.save_pretrained("./tiny-sentiment-model")
+tokenizer.save_pretrained("./tiny-sentiment-model")  # 这行会生成 vocab.json
+config.save_pretrained("./tiny-sentiment-model")