bert将一个txt文件变词向量后进行传统文本分类的代码

以下是使用BERT模型进行传统文本分类的Python代码示例：

import torch
from transformers import BertTokenizer, BertForSequenceClassification

# 加载预训练的BERT模型
model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2)
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

# 加载文本数据
with open('text_file.txt', 'r') as f:
    texts = f.readlines()

# 将文本转换为词向量
input_ids = []
attention_masks = []
for text in texts:
    encoded_dict = tokenizer.encode_plus(
                        text,
                        add_special_tokens=True,
                        max_length=128,
                        pad_to_max_length=True,
                        return_attention_mask=True,
                        return_tensors='pt'
                   )
    input_ids.append(encoded_dict['input_ids'])
    attention_masks.append(encoded_dict['attention_mask'])

input_ids = torch.cat(input_ids, dim=0)
attention_masks = torch.cat(attention_masks, dim=0)

# 运行BERT模型进行文本分类
with torch.no_grad():
    outputs = model(input_ids, attention_mask=attention_masks)
    logits = outputs[0]

# 输出分类结果
predictions = torch.argmax(logits, dim=-1)
print(predictions)

在以上代码中，我们首先加载了预训练的BERT模型和对应的Tokenizer，然后加载了待分类的文本数据。接下来，使用Tokenizer将文本转换为词向量，并将所有文本的词向量拼接在一起作为输入。最后，我们运行BERT模型，得到分类结果。