用bert二分类模型实现情感四分类的代码

这里给出一个基于BERT的情感四分类模型的代码示例：

import torch
import torch.nn as nn
import transformers

class SentimentClassifier(nn.Module):
    def __init__(self, pretrained_model_name='bert-base-uncased', num_classes=4):
        super().__init__()
        self.bert = transformers.BertModel.from_pretrained(pretrained_model_name)
        self.dropout = nn.Dropout(p=0.2)
        self.classifier = nn.Linear(self.bert.config.hidden_size, num_classes)

    def forward(self, input_ids, attention_mask):
        outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask)
        pooled_output = outputs.pooler_output
        pooled_output = self.dropout(pooled_output)
        logits = self.classifier(pooled_output)
        return logits

上述代码中，我们首先定义了一个`SentimentClassifier`类，继承自`nn.Module`类。在类的构造函数中，我们首先调用`transformers.BertModel.from_pretrained()`方法加载预训练的BERT模型。

在`forward()`方法中，我们将输入的`input_ids`和`attention_mask`传入BERT模型，得到模型的输出结果。然后，我们通过一个线性层将BERT模型的输出映射到情感分类的标签空间，即四个类别。最后，我们将分类器的输出结果`logits`返回。

接下来，我们可以使用该模型进行训练和预测。在训练过程中，我们需要定义损失函数和优化器，并迭代若干次更新模型参数。在预测过程中，我们可以将模型的输出结果通过softmax函数转换为概率分布，然后选择概率最大的类别作为预测结果。