Bien sûr ! Voici un script Python qui utilise des bibliothèques de traitement du langage naturel (NLP) pour analyser un texte en espagnol. Ce script peut être exécuté sur un GPU pour une performance optimisée. Nous utiliserons des bibliothèques comme `transformers` de Hugging Face pour l’analyse du texte et `torch` pour l’utilisation du GPU.
Assurez-vous d’avoir installé les bibliothèques nécessaires avant d’exécuter le script :
« `bash
pip install transformers torch
« `
Voici le script :
« `python
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
# Définir le modèle et le tokenizer
model_name = « cardiffnlptweet-sentiment-extended »
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
# Déplacer le modèle sur le GPU si disponible
device = torch.device(« cuda » if torch.cuda.is_available() else « cpu »)
model.to(device)
# Exemple de texte en espagnol
text = « » »
¡Hola! Hoy vamos a hablar sobre las GPU. Las GPU, o unidades de procesamiento gráfico, son componentes esenciales en el mundo de la tecnología. No solo son utilizadas para gráficos, sino también para tareas de machine learning y análisis de datos. Son super poderosas y pueden procesar datos a una velocidad increíble. ¡Es fascinante ver cómo la tecnología avanza!
« » »
# Tokeniser le texte
inputs = tokenizer(text, return_tensors= »pt », truncation=True, padding=True)
inputs = {key: value.to(device) for key, value in inputs.items()}
# Effectuer la prédiction
with torch.no_grad():
outputs = model(inputs)
# Obtenir les logits
logits = outputs.logits
# Convertir les logits en probabilités
probabilities = torch.softmax(logits, dim=-1)
# Obtenir la classe avec la plus haute probabilité
_, predicted_class = torch.max(probabilities, dim=1)
# Afficher le résultat
print(f »Clase predicha: {predicted_class.item()} »)
print(f »Probabilidad: {probabilities[0][predicted_class.item()].item() 100:.2f}% »)
# Traduire la classe en un texte fun
if predicted_class.item() == 0:
sentiment = « ¡Qué negativo! ¡Parece que no te gustan mucho las GPU! »
elif predicted_class.item() == 1:
sentiment = « ¡Neutro! ¡Parece que estás en el medio del camino con las GPU! »
else:
sentiment = « ¡Qué positivo! ¡Parece que amas las GPU! »
print(sentiment)
« `
### Explications :
1. Importation des bibliothèques : Nous importons `torch` pour l’utilisation du GPU et `transformers` pour le modèle de traitement du langage naturel.
2. Définition du modèle et du tokenizer : Nous utilisons un modèle pré-entraîné pour l’analyse des sentiments en espagnol.
3. Déplacement du modèle sur le GPU : Si un GPU est disponible, le modèle est déplacé sur le GPU pour une exécution plus rapide.
4. Texte d’exemple : Un texte en espagnol sur les GPU est fourni.
5. Tokenisation : Le texte est tokenisé et préparé pour l’entrée dans le modèle.
6. Prédiction : Le modèle effectue une prédiction sur le texte tokenisé.
7. Affichage des résultats : Les résultats sont affichés de manière amusante et engageante.
Assurez-vous d’avoir un GPU compatible avec CUDA installé pour tirer parti de l’accélération GPU. Si vous n’avez pas de GPU, le script fonctionnera toujours sur le CPU, mais sera plus lent.