Create README.md

README.md

@@ -0,0 +1,101 @@
+---
+language:
+- vi
+library_name: transformers
+pipeline_tag: text-classification
+tags:
+- Vietnamese
+- sentiment
+- analysis
+---
+
+# Sentiment Analysis in Vietnamese - Phân tích cảm xúc trong tiếng Việt
+## Phở Bert phân tích cảm xúc
+
+
+## Model description
+
+Mô hình có tác dụng xác định cảm xúc của đoạn văn.
+Sử dụng nhãn: "Tích cực", "Tiêu cực", "Trung tính"
+
+Ví dụ:
+Thời tiết hôm nay không được đẹp, trời mưa và lạnh.
+```text
+    Tiêu cực: 0.9596341252326965
+    Tích cực: 0.010115462355315685
+    Trung tính: 0.030250443145632744
+```
+
+Hôm nay đi làm thật vui, ăn uống thật ngon.
+```text
+    Tiêu cực: 0.002220266032963991
+    Tích cực: 0.9917450547218323
+    Trung tính: 0.006034655496478081
+```
+
+Bình thường. Không có gì đặc biệt.
+```text
+    Tiêu cực: 0.03198615834116936
+    Tích cực: 0.05307402461767197
+    Trung tính: 0.9149397611618042
+```
+
+## Base model
+
+Mô hình được đạo tạo dựa trên cơ sở của model PhoBert-Base của VinAI (https://huggingface.co/vinai/phobert-large)
+
+## Training data
+
+Mô hình được đào tạo dựa trên dữ liệu được thu thập bởi linhlpv (https://www.kaggle.com/datasets/linhlpv/vietnamese-sentiment-analyst) - có chỉnh sửa.
+Với 31436 nội dung đánh giá sảm phẩm.
+
+## Model variations
+
+Chưa xác định
+
+## Intended uses & limitations
+
+Chưa xác định
+
+## License
+
+Đây là một open-source library, bạn có thể sử dụng nó với bất kì mục đích nào.
+Rất cảm ơn nếu bạn ghi nguồn khi sử dụng mô hình này (nếu không ghi cũng không sao).
+
+### How to use
+
+```python
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+import torch
+import os
+
+
+def clear():
+    os.system('clear')
+
+
+checkpoint = "mr4/phobert-base-vi-sentiment-analysis"
+tokenizer = AutoTokenizer.from_pretrained(checkpoint)
+model = AutoModelForSequenceClassification.from_pretrained(checkpoint)
+clear()
+print("Ngày hôm nay của bạn thế nào?")
+val = input("")
+raw_inputs = [val]
+inputs = tokenizer(raw_inputs, padding=True,
+                   truncation=True, return_tensors="pt")
+outputs = model(**inputs)
+predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
+clear()
+print(">>>>>>>>>>>>>>>>>>>>>>>>>>")
+for i, prediction in enumerate(predictions):
+    print(raw_inputs[i])
+    for j, value in enumerate(prediction):
+        print(
+            "    " + model.config.id2label[j] + ": " + str(value.item()))
+print("<<<<<<<<<<<<<<<<<<<<<<<<<<")
+
+```
+
+## Liên hệ
+
+Mọi thông tin liên quan có thể liên hệ qua email: zZz4everzZz@live.co.uk.