Modèle
DistilBERT
Fine-tuning à partir de
distilbert-base-uncased.
Analyse de sentiment avec DistilBERT
Fine-tuning, évaluation et publication d'un modèle Transformer pour classifier des critiques de films comme positives ou négatives.
Voir le modèle sur Hugging FaceDataset
Rotten Tomatoes
Critiques de films annotées avec un sentiment négatif ou positif.
Tâche
Classification binaire
Deux sorties possibles :
NEGATIVE et POSITIVE.
Entraînement
2 époques
Learning rate : 2e-5
Batch size : 16
Workflow MLOps
1
Chargement du datasetrotten_tomatoes
→
2
Tokenisation avecAutoTokenizer
→
3
Fine-tuning avecTrainer
→
4
Évaluation sur
le jeu de test
→
5
Publication viapush_to_hub()
Résultats
Remplace les valeurs ci-dessous par les résultats affichés dans la
cellule trainer.evaluate(tokenized["test"]) de ton notebook.
| Métrique | Valeur |
|---|---|
| Accuracy sur le test | À compléter |
| Nombre d'époques | 2 |
| Longueur maximale des séquences | 128 tokens |
| Nombre de classes | 2 |
Test d'inférence
“This movie was absolutely fantastic!”
Résultat attendu : POSITIVE
“A total waste of time, I fell asleep.”
Résultat attendu : NEGATIVE
Cette page est volontairement statique : les prédictions réelles se font avec le modèle publié, dans le notebook ou par l'API Hugging Face.
Dépôt du modèle
Les poids entraînés, le tokenizer, la configuration et les artefacts du modèle sont disponibles dans ce dépôt Hugging Face :
EliasMeh/distilbert-sentiment-demo