Menu iconMenu icon
NLP con Transformadores: Fundamentos y Aplicaciones Básicas

Proyecto 1: Análisis de Sentimientos con BERT

7. Paso 4: Ajuste Fino de BERT

Realizaremos un ajuste fino de un modelo BERT pre-entrenado para la clasificación binaria (sentimiento positivo o negativo).

Ejemplo de Código: Ajuste Fino

# Load pre-trained BERT model
model = BertForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=2)

# Define training arguments
training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=8,
    num_train_epochs=3,
    weight_decay=0.01,
)

# Initialize Trainer
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_train,
    eval_dataset=tokenized_test,
)

# Train the model
trainer.train()

7. Paso 4: Ajuste Fino de BERT

Realizaremos un ajuste fino de un modelo BERT pre-entrenado para la clasificación binaria (sentimiento positivo o negativo).

Ejemplo de Código: Ajuste Fino

# Load pre-trained BERT model
model = BertForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=2)

# Define training arguments
training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=8,
    num_train_epochs=3,
    weight_decay=0.01,
)

# Initialize Trainer
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_train,
    eval_dataset=tokenized_test,
)

# Train the model
trainer.train()

7. Paso 4: Ajuste Fino de BERT

Realizaremos un ajuste fino de un modelo BERT pre-entrenado para la clasificación binaria (sentimiento positivo o negativo).

Ejemplo de Código: Ajuste Fino

# Load pre-trained BERT model
model = BertForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=2)

# Define training arguments
training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=8,
    num_train_epochs=3,
    weight_decay=0.01,
)

# Initialize Trainer
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_train,
    eval_dataset=tokenized_test,
)

# Train the model
trainer.train()

7. Paso 4: Ajuste Fino de BERT

Realizaremos un ajuste fino de un modelo BERT pre-entrenado para la clasificación binaria (sentimiento positivo o negativo).

Ejemplo de Código: Ajuste Fino

# Load pre-trained BERT model
model = BertForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=2)

# Define training arguments
training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=8,
    num_train_epochs=3,
    weight_decay=0.01,
)

# Initialize Trainer
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_train,
    eval_dataset=tokenized_test,
)

# Train the model
trainer.train()