使用FastAPI部署BERT进行情感分析

使用FastAPI部署BERT进行情感分析

Deploy-BERT-for-Sentiment-Analysis-with-FastAPIDeploy BERT for Sentiment Analysis as REST API using FastAPI, Transformers by Hugging Face and PyTorch项目地址:https://gitcode.com/gh_mirrors/de/Deploy-BERT-for-Sentiment-Analysis-with-FastAPI

在这个开源项目中，我们将预训练的BERT模型应用于情感分析，并构建了一个RESTful API。这个API设计简洁，能够高效处理对Google Play应用评论的情感分类任务。

项目演示

模型被训练用于识别三种情绪类别：负面、中性以及正面。你可以通过发送HTTP POST请求来尝试API，例如：

http POST http://127.0.0.1:8000/predict text="Good basic lists, i would like to create more lists, but the annual fee for unlimited lists is too out there"

你会收到类似以下的响应：

{
    "confidence": 0.9999083280563354,
    "probabilities": {
        "negative": 3.563107020454481e-05,
        "neutral": 0.9999083280563354,
        "positive": 5.596495248028077e-05
    },
    "sentiment": "neutral"
}

结果展示了模型预测的信心度和各个情绪类别的概率，清晰明了。

如果你感兴趣，可以查看完整的教程以了解详细的实现过程。

安装与测试

首先，克隆此仓库：

git clone git@github.com:curiousily/Deploy-BERT-for-Sentiment-Analysis-with-FastAPI.git
cd Deploy-BERT-for-Sentiment-Analysis-with-FastAPI

接着安装所需的依赖项：

pipenv install --dev

下载预训练模型：

bin/download_model

启动HTTP服务器并测试设置：

bin/start_server
bin/test_request

应用场景与特点

• 实时情感分析：利用这个API，你可以轻松地在任何Web应用程序或移动应用中集成实时的情感分析功能。
• 易用性：基于FastAPI的API设计使得接口易于理解和使用。
• 灵活性：由于使用了Hugging Face的PyTorch Transformers库，项目可方便地与其他预训练模型互换，适应不同的情境需求。
• 高性能：BERT模型的深度学习能力结合FastAPI的高效性能，确保了高吞吐量和低延迟。

该项目的代码遵循MIT许可，鼓励贡献和二次开发。

现在就加入进来，体验BERT的强大力量，为你的应用程序添加智能的情感理解功能吧！

Deploy-BERT-for-Sentiment-Analysis-with-FastAPIDeploy BERT for Sentiment Analysis as REST API using FastAPI, Transformers by Hugging Face and PyTorch项目地址:https://gitcode.com/gh_mirrors/de/Deploy-BERT-for-Sentiment-Analysis-with-FastAPI