You can deploy this model and start earning money today!

thanhtlx/
text_classification_1

Name: text_classification_1
Availability: InStock

distilbert

Views

No views yet

Text Classification Model - 20 Newsgroups Topic Classification

📝 Mô tả

Đây là một mô hình phân loại văn bản được huấn luyện để phân loại các đoạn văn bản tiếng Anh mô tả nội dung một bản tin vào một trong 20 nhóm chủ đề tương ứng. Mô hình sử dụng kiến trúc BERT và được huấn luyện trên tập dữ liệu 20 Newsgroups.

📌 Chi tiết các mô hình

Tên model	Kiến trúc	Chức năng chính
`thanhtlx/text_classification_1`	BERT	Phân loại văn bản vào 20 chủ đề tin tức khác nhau

📥 Đầu vào

Định dạng: Đoạn văn bản tiếng Anh
Kiểu dữ liệu: Chuỗi văn bản (str)
Xử lý: Văn bản sẽ được mã hóa bởi tokenizer của mô hình (tự động cắt ngắn và đệm nếu cần)

📤 Đầu ra

Một số nguyên từ 0 đến 19, tương ứng với một trong 20 chủ đề sau:
- 0: alt.atheism
- 1: comp.graphics
- 2: comp.os.ms-windows.misc
- 3: comp.sys.ibm.pc.hardware
- 4: comp.sys.mac.hardware
- 5: comp.windows.x
- 6: misc.forsale
- 7: rec.autos
- 8: rec.motorcycles
- 9: rec.sport.baseball
- 10: rec.sport.hockey
- 11: sci.crypt
- 12: sci.electronics
- 13: sci.med
- 14: sci.space
- 15: soc.religion.christian
- 16: talk.politics.guns
- 17: talk.politics.mideast
- 18: talk.politics.misc
- 19: talk.religion.misc

🛠 Yêu cầu thư viện

Cài đặt các thư viện sau bằng pip:

pip install transformers tensorflow

🧪 Sử dụng mô hình

Dưới đây là đoạn mã mẫu để sử dụng mô hình:

python

from transformers import AutoTokenizer, TFAutoModelForSequenceClassification
import tensorflow as tf

# Tải tokenizer và mô hình
tokenizer = AutoTokenizer.from_pretrained("thanhtlx/text_classification_1")
model = TFAutoModelForSequenceClassification.from_pretrained("thanhtlx/text_classification_1")

# Văn bản cần phân loại
text = "NASA is planning a new mission to Mars."

# Mã hóa văn bản
inputs = tokenizer(text, return_tensors="tf", truncation=True, padding=True)

# Dự đoán
outputs = model(**inputs)
logits = outputs.logits

# Chuyển logits thành xác suất
probs = tf.nn.softmax(logits, axis=1)

# Lấy nhãn có xác suất cao nhất
predicted_class = tf.argmax(probs, axis=1).numpy()[0]
print(f"Predicted class: {predicted_class}")