model_name = 'bert-base-chinese' # 中文预训练模型 tokenizer = BertTokenizer.from_pretrained(model_name) model = BertForQuestionAnswering.from_pretrained(model_name) # 输入文本和问题 context = "我叫river，我在深圳上班。" question = "我是谁？" # 对文本和问题进行分词和编码 inputs = tokenizer.encode_plus(question, context, add_special_tokens=True, return_tensors='pt') input_ids = inputs['input_ids'].tolist()[0] token_type_ids = inputs['token_type_ids'].tolist()[0] # 使用BERT模型进行问答 start_scores, end_scores = model(input_ids=torch.tensor([input_ids]), token_type_ids=torch.tensor([token_type_ids])) # 获取最佳答案的起始和结束位置 print(start_scores)

根据给出的代码，您正在使用预训练的中文BERT模型进行问答任务。`start_scores`是一个包含每个词语作为起始位置的得分列表，`end_scores`是一个包含每个词语作为结束位置的得分列表。

要获取最佳答案的起始和结束位置，您可以使用以下代码：

import torch

start_index = torch.argmax(start_scores)
end_index = torch.argmax(end_scores) + 1

print("起始位置索引：", start_index.item())
print("结束位置索引：", end_index.item())

上述代码使用`torch.argmax()`函数找到得分最高的起始和结束位置的索引，并且将结束位置索引加1，以便获取实际的结束位置。最后，打印起始和结束位置的索引值。

请注意，这仅仅是获取了最佳答案的起始和结束位置的索引，如果您需要获取实际的答案文本，还需要进行进一步的处理，例如使用`tokenizer.convert_ids_to_tokens()`函数将索引转换为对应的词语。