$ hub install emotion_detection_textcnn==1.3.0

emotion_detection_textcnn

模型名称	emotion_detection_textcnn
类别	文本-情感分析
网络	TextCNN
数据集	百度自建数据集
是否支持Fine-tuning	否
模型大小	122MB
最新更新日期	2021-02-26
数据指标	-

一、模型基本信息

模型介绍
- 对话情绪识别（Emotion Detection，简称EmoTect）专注于识别智能对话场景中用户的情绪，针对智能对话场景中的用户文本，自动判断该文本的情绪类别并给出相应的置信度，情绪类型分为积极、消极、中性。该模型基于TextCNN（多卷积核CNN模型），能够更好地捕捉句子局部相关性。

二、安装

1、环境依赖
- paddlepaddle >= 1.8.0
- paddlehub >= 1.8.0
2、安装
- ```
$ hub install emotion_detection_textcnn
```

三、模型API预测

1、命令行预测

$ hub run emotion_detection_textcnn --input_text "今天天气真好"

或者

```
$ hub run emotion_detection_textcnn --input_file test.txt
```
- test.txt 存放待预测文本，如：
  这家餐厅很好吃
  这部电影真的很差劲

2、预测代码示例

import paddlehub as hub

module = hub.Module(name="emotion_detection_textcnn")
test_text = ["今天天气真好", "湿纸巾是干垃圾", "别来吵我"]
results = module.emotion_classify(texts=test_text)

for result in results:
    print(result['text'])
    print(result['emotion_label'])
    print(result['emotion_key'])
    print(result['positive_probs'])
    print(result['neutral_probs'])
    print(result['negative_probs'])

# 今天天气真好 2 positive 0.9267 0.0714 0.0019
# 湿纸巾是干垃圾 1 neutral 0.0062 0.9896 0.0042
# 别来吵我 0 negative 0.0732 0.1477 0.7791

3、API
- ```
def emotion_classify(texts=[], data={}, use_gpu=False, batch_size=1)
```
  - emotion_detection_textcnn预测接口，预测输入句子的情感分类(三分类，积极/中立/消极）
  - 参数
    - texts(list): 待预测数据，如果使用texts参数，则不用传入data参数，二选一即可
    - data(dict): 预测数据，key必须为text，value是带预测数据。如果使用data参数，则不用传入texts参数，二选一即可。建议使用texts参数，data参数后续会废弃。
    - use_gpu(bool): 是否使用GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置
    - batch_size(int): 批处理大小
  - 返回
    - results(list): 情感分类结果

```
def get_labels()
```
- 获取emotion_detection_textcnn的类别
- 返回
  - labels(dict): emotion_detection_textcnn的类别(三分类，积极/中立/消极)
```
def get_vocab_path()
```
- 获取预训练时使用的词汇表
- 返回
  - vocab_path(str): 词汇表路径

四、服务部署

PaddleHub Serving可以部署一个在线情感分析服务，可以将此接口用于在线web应用。
第一步：启动PaddleHub Serving
- 运行启动命令：
```
$ hub serving start -m emotion_detection_textcnn  
```
- 启动时会显示加载模型过程，启动成功后显示
```
Loading emotion_detection_textcnn successful.
```
- 这样就完成了服务化API的部署，默认端口号为8866。
- NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

第二步：发送预测请求

配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

import requests
import json

# 待预测数据
text = ["这家餐厅很好吃", "这部电影真的很差劲"]

# 设置运行配置
# 对应本地预测emotion_detection_textcnn.emotion_classify(texts=text, batch_size=1, use_gpu=True)
data = {"texts": text, "batch_size": 1, "use_gpu":True}

# 指定预测方法为emotion_detection_textcnn并发送post请求，content-type类型应指定json方式
# HOST_IP为服务器IP
url = "http://HOST_IP:8866/predict/emotion_detection_textcnn"
headers = {"Content-Type": "application/json"}
r = requests.post(url=url, headers=headers, data=json.dumps(data))

# 打印预测结果
print(json.dumps(r.json(), indent=4, ensure_ascii=False))

五、更新历史

1.0.0
初始发布
1.1.0
大幅提升预测性能
1.2.0
模型升级，支持用于文本分类，文本匹配等各种任务迁移学习
1.3.0
移除 Fluid API

emotion_detection_textcnn

一、模型基本信息

模型介绍

二、安装

1、环境依赖

2、安装

三、模型API预测

1、命令行预测

2、预测代码示例

3、API

四、服务部署

第一步：启动PaddleHub Serving

第二步：发送预测请求

五、更新历史