Views
No views yet
LiquidAI/LFM2-350M model, specialized in classifying emotions from French text.GGUF Version Available Looking for a version that runs efficiently on your CPU? A GGUF-quantized version of this model is available here: JusteLeo/french-emotion-recognition-GGUF
joy (joie)anger (colere)sadness (tristesse)fear (peur)surprise (surprise)disgust (dégout)neutral (neutre)text-generation pipeline from the transformers library.1from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
2
3# Load the model and tokenizer
4model_id = "JusteLeo/french-emotion-recognition"
5model = AutoModelForCausalLM.from_pretrained(model_id)
6tokenizer = AutoTokenizer.from_pretrained(model_id)
7
8# Create the pipeline
9emotion_classifier = pipeline(
10 "text-generation",
11 model=model,
12 tokenizer=tokenizer
13)
14
15# --- Examples ---
16prompts = [
17 "Je viens de gagner au loto, c'est incroyable !", # "I just won the lottery, it's incredible!"
18 "Ce plat a un goût vraiment étrange, je n'aime pas du tout.", # "This dish has a really weird taste, I don't like it at all."
19 "La date limite pour le projet est demain et je n'ai rien commencé.", # "The project deadline is tomorrow and I haven't started anything."
20 "Il est 15h00." # "It's 3:00 PM."
21]
22
23for prompt in prompts:
24 # The model expects a simple instruction; the prompt is the sentence to analyze.
25 # The generated response will be the detected emotion.
26 result = emotion_classifier(
27 prompt,
28 max_new_tokens=10, # 10 tokens are enough for the emotion name
29 pad_token_id=tokenizer.eos_token_id,
30 eos_token_id=tokenizer.eos_token_id
31 )
32 print(f"Sentence: '{prompt}'")
33 # The response contains the prompt + emotion, we only display the generated part.
34 print(f"Predicted Emotion: {result[0]['generated_text'][len(prompt):].strip()}")
35 print("-" * 20)LFM2-350M model.joiecoleretristessepeursurprisedégoutneutretext-generation de la bibliothèque transformers.1from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
2
3# Charger le modèle et le tokenizer
4model_id = "JusteLeo/french-emotion-recognition"
5model = AutoModelForCausalLM.from_pretrained(model_id)
6tokenizer = AutoTokenizer.from_pretrained(model_id)
7
8# Créer la pipeline
9emotion_classifier = pipeline(
10 "text-generation",
11 model=model,
12 tokenizer=tokenizer
13)
14
15# --- Exemples ---
16prompts = [
17 "Je viens de gagner au loto, c'est incroyable !",
18 "Ce plat a un goût vraiment étrange, je n'aime pas du tout.",
19 "La date limite pour le projet est demain et je n'ai rien commencé.",
20 "Il est 15h00."
21]
22
23for prompt in prompts:
24 # Le modèle attend une instruction simple, le prompt est la phrase à analyser.
25 # La réponse générée sera l'émotion détectée.
26 result = emotion_classifier(
27 prompt,
28 max_new_tokens=10, # Une dizaine de tokens est suffisant pour le nom de l'émotion
29 pad_token_id=tokenizer.eos_token_id,
30 eos_token_id=tokenizer.eos_token_id
31 )
32 print(f"Phrase : '{prompt}'")
33 # La réponse contient le prompt + l'émotion, nous affichons seulement la partie générée.
34 print(f"Émotion prédite : {result[0]['generated_text'][len(prompt):].strip()}")
35 print("-" * 20)