Aminrhmni's picture
Update README.md
2d19a2c verified
metadata
license: mit
language:
  - fa
metrics:
  - accuracy
library_name: adapter-transformers
datasets:
  - Msobhi/virgool_62k
pipeline_tag: text-classification

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"

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)

nlp("متن ورودی")