使用bert 实现文本分类,超简洁代码

下面是一个使用BERT实现文本分类的超简洁代码示例：

import torch
from transformers import BertTokenizer, BertForSequenceClassification

# 加载预训练的BERT模型和tokenizer
model_name = 'bert-base-uncased'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForSequenceClassification.from_pretrained(model_name)

# 定义文本分类函数
def classify_text(text):
    # 对文本进行分词和编码
    inputs = tokenizer.encode_plus(
        text,
        add_special_tokens=True,
        truncation=True,
        max_length=128,
        padding='max_length',
        return_tensors='pt'
    )
    
    # 使用BERT模型进行预测
    outputs = model(**inputs)
    logits = outputs.logits
    predictions = torch.argmax(logits, dim=1).item()
    
    return predictions

# 示例
text = "这是一段需要分类的文本"
classification = classify_text(text)
print(classification)

以上代码加载了预训练的BERT模型和tokenizer，并实现了一个`classify_text`函数进行文本分类。该函数将给定的文本作为输入，首先对其进行分词和编码，并使用BERT模型进行预测。最后，返回预测的类别。

请注意，这只是一个超级简洁的示例，实际使用BERT进行文本分类还需要考虑更多的细节，比如处理数据集、训练模型、调参等。以上代码仅提供了使用BERT进行文本分类的基本框架。