Python 情感分析-flair预训练模型分类器。如何加速

我想用flair库中预先训练的flair英语模型对情绪进行分类。我有大约9万条推特，我想对所有的推特进行分类

问题是flair库在大约7小时内完成了这项工作。 要比较NLP情感分类器或TextBlob，可以在1分钟内完成此操作

我解决该问题的代码是：

def flair_sentiment(data, classifier):
"""
data : text sequence (pandas.Series)
classifier : pretrained flair classifier
"""
values = []
for Item in data:
    tokenized = Sentence(Item)
    classifier.predict(tokenized)
    values.append(tokenized.labels[0].score)
return values

df['sentiment'] = flair_sentiment(df.tweets, classifier)

---

我认为您可以尝试以下步骤：

在你的代码中，情绪是一次预测一条推特。您可以使用批处理预测来加快速度

目前对于Flair 0.6，有两种情绪模型：“情绪”（基于BERT的是默认模型）和“情绪快速”（基于RNN的，精确度稍低）。他们的表现载于：

当然，使用GPU将大大加快速度

下面是使用批预测分析推特情绪的代码。它还显示了两种情绪模型的运行时间。您可以看到，基于RNN的模型比默认模型快得多

从时间导入时间
从flair.data导入句子
从flair.models导入文本分类器
def flair_情绪（文本、分类器）：
句子=[文本中文本的句子（文本）]
预测（句子，最小批量大小=32）
返回[
（sent.labels[0]。值，sent.labels[0]。分数）
以句子的形式发送
]
对于“情绪”、“情绪快速”中的情绪模型名称：
分类器=TextClassifier.load（情感模型名称）
开始时间=时间（）
tweets=512*[
“多么美好的一天.#欢欣鼓舞”，
“它坏了”
]
情感=天赋和情感（推特、分类器）
#印刷品（情感）
打印（f“*情绪模型{情绪模型{u名称}：运行时间={time（）-开始时间：.2f}秒”）

输出：

2020-09-22 11:50:14,027 loading file /Users/khuc/.flair/models/sentiment-en-mix-distillbert_3.1.pt
* Sentiment model sentiment: running time = 19.99 second(s)
2020-09-22 11:50:36,369 loading file /Users/khuc/.flair/models/sentiment-en-mix-ft-rnn.pt
* Sentiment model sentiment-fast: running time = 0.43 second(s)

---

你设法提高了天赋？我也有同样的问题。太慢了。。。。