|
--- |
|
license: mit |
|
language: |
|
- fa |
|
metrics: |
|
- accuracy |
|
library_name: adapter-transformers |
|
pipeline_tag: text-classification |
|
datasets: |
|
- Msobhi/virgool_62k |
|
--- |
|
Hi |
|
|
|
I have fine-tuned ParsBert for classifying Persian text using the "Msobhi/virgool_62k" dataset, with the labels listed below: |
|
|
|
|
|
{'استارتاپ': 0, |
|
'اقتصاد': 1, |
|
'امنیت سایبری': 2, |
|
'اینترنت اشیا': 3, |
|
'بازاریابی': 4, |
|
'بازی رایانه ای': 5, |
|
'برنامه نویسی': 6, |
|
'بلاک چین': 7, |
|
'بهره وری': 8, |
|
'تاریخ': 9, |
|
'تجربه کاربری': 10, |
|
'تحصیلی و آموزشی': 11, |
|
'حقوقی': 12, |
|
'خانواده': 13, |
|
'خودشناسی': 14, |
|
'داستان': 15, |
|
'رابطه': 16, |
|
'روانشناسی': 17, |
|
'زنان': 18, |
|
'سفر': 19, |
|
'سلامت': 20, |
|
'سلامت روانی': 21, |
|
'سیاست': 22, |
|
'شبکه اجتماعی': 23, |
|
'شغل و کار': 24, |
|
'طراحی دیجیتال': 25, |
|
'علوم': 26, |
|
'عکاسی': 27, |
|
'غذا': 28, |
|
'فرهنگ': 29, |
|
'فریلنسری': 30, |
|
'فلسفه': 31, |
|
'فیلم و سینما': 32, |
|
'فین تک': 33, |
|
'محیط زیست': 34, |
|
'مذهبی': 35, |
|
'مهاجرت': 36, |
|
'مهندسی نرم افزار': 37, |
|
'موسیقی': 38, |
|
'موفقیت': 39, |
|
'نویسندگی': 40, |
|
'هنر': 41, |
|
'هوا فضا': 42, |
|
'هوش مصنوعی': 43, |
|
'ورزشی': 44, |
|
'پادکست': 45, |
|
'پول رمزی': 46, |
|
'کارآفرینی': 47, |
|
'کتاب': 48, |
|
'یادگیری ماشین': 49} |
|
|
|
Utilize this code snippet to test the model. It may not be very accurate, but further training epochs could enhance its performance. |
|
|
|
model_path = "Aminrhmni/Persian-text-classification-model" |
|
|
|
from transformers import pipeline, BertForSequenceClassification, BertTokenizerFast |
|
|
|
model = BertForSequenceClassification.from_pretrained(model_path) |
|
|
|
tokenizer= BertTokenizerFast.from_pretrained(model_path) |
|
|
|
nlp= pipeline("text-classification", model=model, tokenizer=tokenizer) |
|
|
|
|
