参考文档

• 我们使用的是：达摩情感分类模型，该模型基于StructBERT实现，StructBERT是达摩院自研的深度语言模型，在中文数据上表现优异。

开发环境

• 基于ModelScope提供的免费的CPU和GPU开发环境，开发环境链接

操作步骤

1. 阅读文档提供的代码示例可以看到，操作步骤非常简单，仅仅只需要4行代码。

2. 我们首先选择GPU环境（开发环境链接，实例启动大约需要1分钟左右），可以看到系统已经预装了镜像，包括cuda、python3.7、torch1.11.0、tensorfow1.15.5等，即开即用，无需自己再安装了。实例启动后，参考下面截图步骤1和2打开notebook：

3. 接下来我们复制参考文献的示例代码，逐行执行：

4. 注意到，执行第3行代码需要的时间比较久，从日志可以看出来，主要是在下载模型包。如果对bert比较了解的话，可以从日志看出来，最大的文件是模型参数文件pytorch_model.bin，体积有390M。

5. 等待1分钟左右即可下载完成，网速还是挺快的。执行最后一行代码，最后一行代码就是进行情感分析了，我们输入一句话，得到一个json格式的输出。输出的结构也比较明显，labels的1和0分别对应正面情感和负面情感，scores对应情感的概率。可以看出，我们的输入是“启动的时候很大声音，然后就会听到1.2秒的卡察的声音，类似齿轮摩擦的声音”，它的正面概率是0.07，负面概率是0.92，还是蛮准的。大家可以多测试一些例子看看效果。

最后

• 就这么简单，5分钟不到，只需要4行代码，我们就实现了一个工业级中文情感分类模型。
• 多说几句，从模型说明文档可以看到，该模型是基于bdci、dianping、jd binary、waimai-10k四个数据集（11.5w条数据）训练出来的情感分类模型，相信在这几个数据集或者比较相关的数据上效果是不错的，但是如果你的数据和这几个数据集差异很大，例如是英文的，或者垂直领域的（汽车、鞋服等），模型的效果可能要打一些折扣。这种情况下，就需要在达摩情感分类模型的基础上去适配你的领域数据，希望ModelScope尽早开放模型进一步finetune的能力。