#预测 context1 = ['preparation','for','is', 'doing'] context_vector1 = make_context_vector(context1, word_to_ix) a = model(context_vector1) context2 = ['People','who', 'loved', 'once'] context_vector2 = make_context_vector(context2, word_to_ix) b = model(context_vector2) print(f'文本数据: {" ".join(text)}\n') print(f'预测1: {context1}\n') print(f'预测结果: {ix_to_word[torch.argmax(a[0]).item()]}') print('\n') print(f'预测2: {context2}\n') print(f'预测结果: {ix_to_word[torch.argmax(b[0]).item()]}')

这段代码展示了如何使用训练好的 CBOW 模型进行预测。首先，定义了两个上下文 context1 和 context2，分别代表两个待预测的句子。然后，通过 make_context_vector 函数将这两个句子转换为对应的张量形式。

接下来，分别将上下文张量 context_vector1 和 context_vector2 作为输入传递给 CBOW 模型，得到模型的预测结果 a 和 b。

最后，通过打印输出展示了预测的结果。首先输出了原始文本数据，然后输出了第一个预测的上下文和预测结果，以及第二个预测的上下文和预测结果。其中，通过 torch.argmax 函数找到概率最大的单词索引，再通过 ix_to_word 字典将索引转换为对应的单词，并打印出来。

这样可以通过训练好的 CBOW 模型来预测给定上下文的目标单词。