Create README.md

README.md

@@ -0,0 +1,63 @@
+---
+tags:
+- tf-keras
+- bert
+- alberto
+- multi-task-learning
+- text-classification
+- italian
+- gender-classification
+- ideology-detection
+library_name: tf-keras
+language:
+- it
+datasets:
+- custom
+---
+
+# PIDIT: Modello Multi-Task BERT + ALBERTO per analisi ideologica e di genere 🇮🇹
+
+Questo modello `tf.keras` unisce due encoder pre-addestrati (`BERT` e `ALBERTO`) per effettuare predizioni multi-task su testi in italiano.  
+È progettato per classificare:
+
+- 🧑‍🤝‍🧑 **Genere** dell'autore (binary classification)
+- 🏛️ **Ideologia binaria** (es. conservatore vs progressista)
+- 🧭 **Ideologia multiclasse** (4 classi ideologiche)
+
+## ✨ Architettura
+
+- `TFBertModel` da `bert-base-italian-uncased` (non fine-tuned)
+- `TFAutoModel` da `alberto-base-uncased` (non fine-tuned)
+- Layer di concatenazione e densi condivisi
+- 3 teste di output:
+  - `gender`: `Dense(1, activation="sigmoid")`
+  - `ideology_binary`: `Dense(1, activation="sigmoid")`
+  - `ideology_multiclass`: `Dense(4, activation="softmax")`
+
+## 📥 Input
+
+Il modello accetta **6 input**:
+- `bert_input_ids`, `bert_token_type_ids`, `bert_attention_mask`
+- `alberto_input_ids`, `alberto_token_type_ids`, `alberto_attention_mask`
+
+Tutti con shape `(batch_size, max_length)`.
+
+---
+
+## 🚀 Utilizzo
+
+### 1. Caricamento del modello
+
+```python
+from huggingface_hub import snapshot_download
+from transformers import TFBertModel, TFAutoModel
+import tensorflow as tf
+
+# Scarica localmente il modello
+model_path = snapshot_download("leeeov4/PIDIT")
+
+# Carica il modello
+model = tf.keras.models.load_model(model_path, custom_objects={
+    "TFBertModel": TFBertModel,
+    "TFAutoModel": TFAutoModel
+})