建立transformer模型基于9万+商品信息进行训练和测试对商品品类自动识别，而且训练集和测试集需要根据这9万+数据进行划分，例如以下商品“抗菌密实袋 极货 12pcs 盒”识别为“一次性塑料制品”，python代码示例

好的，针对您的问题，首先需要明确一些前置知识和数据预处理的步骤。以下是一些大致的步骤：

1. 数据预处理：对于9万+的商品信息，需要进行一些数据清洗和预处理工作，比如去除重复数据、缺失值处理、标准化等。

2. 文本处理：对于商品信息中的文本数据，需要进行一些文本处理工作，比如分词、去除停用词、词向量化等。

3. 模型选择和训练：针对商品品类自动识别这个任务，可以选择使用Transformer模型，使用训练集进行模型训练。

4. 模型评估和测试：使用测试集对训练好的模型进行评估和测试，计算模型的准确率、召回率、F1得分等指标。

5. 预测：使用训练好的模型对新的商品信息进行预测，得到商品品类的分类结果。

以下是一个大致的Python代码示例，供参考：

import pandas as pd
import numpy as np
import jieba
from sklearn.model_selection import train_test_split
from transformers import BertTokenizer, BertForSequenceClassification, AdamW, get_linear_schedule_with_warmup
import torch

# 读取数据
data = pd.read_csv("商品信息.csv", encoding="utf-8")

# 数据清洗和预处理
data = data.drop_duplicates() # 去重
data = data.dropna() # 去除缺失值

# 文本处理
def cut_text(text):
    return " ".join(jieba.cut(text))
data["text"] = data["text"].apply(cut_text)

# 划分训练集和测试集
train_data, test_data, train_labels, test_labels = train_test_split(data["text"], data["label"], test_size=0.2, random_state=42)

# 加载预训练的Bert模型
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=len(set(data["label"])))

# 训练模型
optimizer = AdamW(model.parameters(), lr=2e-5, eps=1e-8)
epochs = 4
total_steps = len(train_data) * epochs
scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps=0, num_training_steps=total_steps)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

for epoch in range(epochs):
    for step, batch in enumerate(train_data):
        input_ids = tokenizer.encode(batch, add_special_tokens=True, max_length=512, truncation=True)
        input_ids = torch.tensor(input_ids).unsqueeze(0).to(device)
        labels = torch.tensor(train_labels[step]).unsqueeze(0).to(device)
        outputs = model(input_ids, labels=labels)
        loss = outputs[0]
        loss.backward()
        torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)
        optimizer.step()
        scheduler.step()
        optimizer.zero_grad()

# 测试模型
model.eval()
total_eval_accuracy = 0
for i in range(len(test_data)):
    input_ids = tokenizer.encode(test_data[i], add_special_tokens=True, max_length=512, truncation=True)
    input_ids = torch.tensor(input_ids).unsqueeze(0).to(device)
    with torch.no_grad():
        logits = model(input_ids)[0]
    logits = logits.detach().cpu().numpy()
    pred_label = np.argmax(logits, axis=1).flatten()
    total_eval_accuracy += (pred_label == test_labels[i]).sum()
accuracy = total_eval_accuracy / len(test_data)
print("Accuracy:", accuracy)

# 预测新数据
def predict(text):
    input_ids = tokenizer.encode(text, add_special_tokens=True, max_length=512, truncation=True)
    input_ids = torch.tensor(input_ids).unsqueeze(0).to(device)
    with torch.no_grad():
        logits = model(input_ids)[0]
    logits = logits.detach().cpu().numpy()
    pred_label = np.argmax(logits, axis=1).flatten()
    return pred_label
    
text = "抗菌密实袋 极货 12pcs 盒"
label = predict(text)
print("Label:", label)

注意：以上代码仅供参考，具体实现需要根据数据和任务做出相应的调整。