📖前言
随着AI开发的到来，新时代程序员已经开始逐步拥抱AI，使用Vibe Coding的理念进行开发了，这象征着我们已经涉足了AI的应用阶段了，但是作为AI的使用者，我个人认为我们也应该懂得一些AI背后的原理，本文就来讲讲AI的筑石之一--机器学习，我准备使用魔塔社区---阿里巴巴达摩院推出的开源AI共享平台，来演示nlp的情感分析功能，作为学习的初体验。
🧠模型库
在注册好魔塔的账号后，咱们进入模型库。
❓模型库是什么？
模型库就像是一个存放各种模型的 “仓库”。
在这个 “仓库” 里，有很多不同类型的模型，比如在深度学习领域，有用于图像识别的模型，像能识别出图片里是猫还是狗的模型；有用于自然语言处理的模型，比如可以把一种语言翻译成另一种语言的翻译模型，或者能生成文章、回答问题的对话模型；还有用于语音处理的模型，能把语音转换成文字，或者把文字合成为语音，还包括我们今天要体验的“情感分析”模型。
⚙️模型库的功能
模型库可以对这些模型进行集中管理。它会记录每个模型的相关信息，比如模型的名称、功能、适用场景、版本号等，就像仓库里给每个物品都贴上了标签，方便人们查找和使用。而且，模型库还能管理模型的版本，当模型被改进或更新后，新的版本会被保存下来，人们可以根据自己的需求选择使用哪个版本，并对模型的公开范围进行设置，比如设置为公开模型让所有人都能访问，或者设置为私有模型只有自己或特定成员能访问。
🎨自定义模型库
魔塔的模型库还支持自定义，通过魔塔社区的 ModelScope Library，开发者能够方便地进行模型的定制，以更好地满足各种特定需求。例如，在一些低资源场景下的文本分类任务中，开发者就可以利用社区的开源模型，根据自身业务需求进行定制化开发，实现工单分类等功能
🔧python notebook
选择了模型库后，咱们就可以免费安装实例，使用Python Notebook进行开发
Python Notebook 是一种 交互式编程环境，允许你将 代码、文本说明、数据可视化、公式 等内容整合在一个文档中，边写代码边调试和展示结果。它就像一个 “电子笔记本”，特别适合 数据分析、机器学习、教学演示、报告撰写 等场景。等下我们就会进行演示，你会看到他的神奇功能！
你会发现创建的文件的后缀名是以.ipynb后缀结尾的，这里其实是Jupyter Notebook的专属文件格式，“ipython” 是早期 Jupyter 的前身（没错，它以前叫 IPython Notebook），而 “nb” 则是 “notebook” 的缩写，合起来就是这个萌萌的后缀啦～
让我们来输出试试！只需要print('Hello Python')，再点击左边的按钮，即可输出内容啦！
🚀初始化
你会发现我这里是随便选了一个通义万象的模型库，貌似这个模型库是对图片处理相关的模型库，那么我该如何实现呢我们的情绪分析呢，没关系，接下来我要介绍的Pipeline能帮我们解决！
Pipeline是什么
Pipeline（管道） 是一种将多个数据处理或机器学习步骤 按顺序串联起来 的机制，就像工厂里的流水线一样，数据从起点进入，经过一系列预设的处理环节，最终输出结果。它的核心目的是 简化流程管理、避免代码重复，并确保整个流程的 可重复性和一致性。
导入Pipeline机制
# 导入pipeline
from modelscope.pipelines import pipeline
导入 ModelScope 的 pipeline 函数，刚才提到过，它是一个高阶封装工具，可以将多个机器学习步骤（如数据预处理、模型推理、后处理）串联成一个可直接调用的 “管道”。
导入任务类型
from modelscope.utils.constant import Tasks
接着我们导入导入 Tasks 命名空间，它包含了 ModelScope 支持的所有任务类型常量（如文本分类、情感分析、图像生成等），后续咱们在创建 Pipeline 时，需要通过 Tasks 指定具体任务，
🛠️Pipe的使用
好了，接下来就到了我们最关键的一步了。
emantic_cls = pipeline(Tasks.text_classification, 'damo/nlp_structbert_sentiment-classification_chinese-base')
让我们来逐个介绍这行代码里的内容。
首先，我们的pipeline需要参数，传入参数”任务类型“与”模型“后可以得到一个emantic_cls这样的可调用对象实例。让我们来介绍下这两个参数！
- 任务类型指定：
第一个参数
Tasks.text_classification是用来指定任务类型的，首先Task是一个枚举类，它定义了多种任务类型：包括text_classification（文本分类）、sentiment_analysis（情感分析）、named_entity_recognition（命名实体识别）等，而我们的目的是体验情感分析功能，而情感分析本质上是上述文本分类的一种，所以咱们就需要使用这个Tasks.text_classification作为参数传入。
-
模型选择： 我们的pipeline传入的第二个参数是amo/nlp_structbert_sentiment-classification_chinese-base ，它的的作用是 指定用于情感分析的具体预训练模型，这个参数的内容结构如下：
-
damo：模型的开发者 / 组织（这里是阿里巴巴达摩院）。 -
nlp：领域标识（自然语言处理）。 -
structbert：模型架构（基于 StructBERT，一种增强语义理解的 Transformer 变体）。 -
sentiment-classification：任务类型（情感分类）。 -
chinese-base：语言（中文）和模型规模（base 表示中等规模）。
当第一个参数Task.text_classification定义了要做什么时，这里的damo/...则是决定了如何做（具体该使用哪个预训练模型实现该任务）。
在这个过程中，我们可以想象我们在组装一台咖啡机：其中
Tasks.text_classification是 “咖啡机的功能模式”（指定要做浓缩咖啡还是卡布奇诺）。-damo/nlp_structbert_sentiment-classification_chinese-base是 “咖啡豆”（提供具体的风味）。pipeline()函数是 “咖啡机”，负责将咖啡豆磨粉、冲泡，并输出成品咖啡最终得到的semantic_cls就是一台调好参数的咖啡机，你只需倒入水（输入文本），就能得到咖啡（情感分析结果）。
❤️情感分析的体验
好了，经历了千辛万苦，咱们终于能正式开始体验情感分析的功能了
我们可以像这样，传入一句内容，我们的semantic_cls就会像函数一样，返回一个result呢，分析这个结果我们能发现，它会返回一个包含两个键值对的字典，其中：
1. labels（情感标签）
-
含义：模型识别出的所有可能情感类别。
-
示例：
['负面', '正面']表示模型支持两种情感分类（消极和积极）。- 若模型支持多分类（如消极 / 中性 / 积极），可能返回
['负面', '中性', '正面']。
2. scores（置信度分数）
-
含义：模型对每个情感类别的预测概率，取值范围为
[0, 1]，分数越高表示可能性越大。 -
对应关系：
-
scores中的每个元素与labels中的标签按顺序一一对应。 -
例如：
0.8282对应'负面'，表示文本为负面情感的概率约为 82.82% 。0.1718对应'正面'，表示文本为正面情感的概率约为 17.18% 。
-
哈哈，很有趣吧，咱们平常说的任何一句话，在自然语言处理中，都可以被处理成情感的具体数据，这个情感分析的功能是自然语言处理的核心应用之一呀！有了它以后，在很多场景，比如：用户评论分析、产品口碑监测、政治与社会的舆论分析等都有许许多多的应用！
🎯总结
通过魔塔社区（ModelScope）体验机器学习的情感分析功能，我们得以窥见 AI 技术在自然语言处理领域的实际应用逻辑与价值之一。我们体验了选择了模型库并且创建实例之后，就可以开始使用Pipeline这个好用的封装工具进行初始化一个情绪分析的函数调用的实例啦！之后咱们就可以像调用函数一样使用，你也快去试试吧！
🌇结尾
感谢你看到最后，最后再说两点~
①如果你持有不同的看法，欢迎你在文章下方进行留言、评论。
②如果对你有帮助，或者你认可的话，欢迎给个小点赞，支持一下~
我是3Katrina，一个热爱编程的大三学生
（文章内容仅供学习参考，如有侵权，非常抱歉，请立即联系作者删除。）
作者：3Katrina
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
