 实战(上))
大家好，我是锋哥。最近发布一条【AI大模型舆情分析】微博舆情分析可视化系统(pytorch2+基于BERT大模型训练微调+flask+pandas+echarts）高级实战。分上下节。
实战简介：
前面的2026版【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts+爬虫) 二次开发，前面课程舆情分析用得是snowNLP，我们现在改用基于BERT开源大模型微调，来实现舆情分析，提高舆情分析的准确率。重点讲解基本BERT大模型实现舆情分析，二分类问题。
视频教程和源码领取：
链接：https://pan.baidu.com/s/1_NzaNr0Wln6kv1rdiQnUTg
提取码：0000
微博舆情分析可视化系统 - 项目准备
基于python微博舆情分析可视化系统(flask+pandas+echarts) 项目源码本地运行下。
登录页面，我们改下小标题，加个LLM
登录后，进入系统主页面：
BERT大模型实现舆情分析功能
大模型开发环境准备-PyTorch和transformers库
首先新建model目录，把Bert-base-chinese粘贴到model目录下。
我们大模型训练尽可能的基于GPU的，CUDA要安装下。
然后我们要安装Pytorch2和transformers库：
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu126pip install transformers -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com环境测试代码：
import torch from transformers import pipeline print(torch.cuda.is_available()) # 通过pipeline 加载模型 model = pipeline(task="text-classification", # 任务类型 二分类 model="Bert-base-chinese", # 模型名称 device=0 # 使用GPU ) # 调用模型预测 result = model("小明是好学生") print(result)运行结果：
BERT大模型情感分析功能封装（使用AutoModel自动模型方式）
新建llm目录，里面再新建weibo.py文件
代码实现：
import torch from transformers import AutoTokenizer, AutoModelForSequenceClassification # 使用设备GPU device = torch.device("cuda" if torch.cuda.is_available() else "cpu") print(device) # 加载分词器 tokenizer = AutoTokenizer.from_pretrained('../model/Bert-base-chinese') # 加载模型 model = AutoModelForSequenceClassification.from_pretrained('../model/Bert-base-chinese') print(model) # 情感分析 def data_classfication(data): # 准备输入数据 input_ids = tokenizer.encode( text=data, # 输入文本 return_tensors='pt', # 返回PyTorch张量 truncation=True, # 截断超过长度的输入文本 max_length=20, # 最长长度 padding="max_length" # 填充短的输入文本 ).to(device) # 评估模型 model.eval() model.to(device) # 模型预测 output = model(input_ids) print(output) # 获取预测结果 logits = output.logits print(logits) predication = torch.argmax(logits, dim=-1) print(predication) sentiment = predication.item() # 把张量转成数字 print(sentiment) sentiment_label = "正面" if sentiment == 1 else "负面" return sentiment_label if __name__ == '__main__': result = data_classfication("开心") print("预测结果：", result)运行结果：
使用BERT大模型对微博热词进行情感分析
找到视图层业务逻辑代码：
我们修改下：
# 改成使用大模型进行舆情分析 sentiments = data_classfication(defaultHotWord)启动就直接报错了
原因是加载模型用得是相对路径，我们调用封装方法的时候，相对路径又变了。所以我们企业级开发，一般不用相对路径，只用绝对路径，由于开发环境，测试环境，线上环境模型路径会变，所以我们一般都会把路径放到配置文件里面去，方便修改路径。
我们在项目根目录下新建config.py
配置下模型路径：
# 定义模型路径 model_path = 'D:\python_pro\weiboLLMProject2\model'接下来，weibo.py里把相对路径，改成绝对路径，使用config.py里的model_path属性；
改成：
# 加载分词器 tokenizer = AutoTokenizer.from_pretrained(config.model_path + "/Bert-base-chinese") # 加载模型 model = AutoModelForSequenceClassification.from_pretrained(config.model_path + "/Bert-base-chinese") print(model)运行测试系统，可以了。不过情感分析的准确率很有限，等后面VIP课程，我们使用增量微调训练后的模型，准确率能上到90%以上。
使用BERT大模型对微博文章内容进行情感分析
找到微博舆情分析后端视图业务逻辑代码：
改成：
# 改成使用大模型进行舆情分析 sentiments = data_classfication(article[1])重启项目测试：
使用BERT大模型对微博舆情分析以及可视化操作
找到数据可视化微博舆情分析后端视图层业务逻辑代码，包括柱状图，树形图，饼状图。代码都需要修改；
代码修改：
@pb.route('sentimentAnalysis') def sentimentAnalysis(): """ 舆情数据分析 :return: """ xHotBarData = ['正面', '负面'] yHotBarData = [0, 0] # 只读取前100条 df = pd.read_csv('./fenci/comment_fre.csv', nrows=100) for value in df.values: # 情感分析 # stc = SnowNLP(value[0]).sentiments # if stc > 0.6: # yHotBarData[0] += 1 # elif stc < 0.2: # yHotBarData[2] += 1 # else: # yHotBarData[1] += 1 # 使用大模型进行情感分析 sentiment_label = data_classfication(value[0]) if sentiment_label == '正面': yHotBarData[0] += 1 else: yHotBarData[1] += 1 hotTreeMapData = [{ 'name': xHotBarData[0], 'value': yHotBarData[0] }, { 'name': xHotBarData[1], 'value': yHotBarData[1] }] commentPieData = [{ 'name': '正面', 'value': 0 }, { 'name': '负面', 'value': 0 }] articlePieData = [{ 'name': '正面', 'value': 0 }, { 'name': '负面', 'value': 0 }] commentList = commentDao.getAllComment() for comment in commentList: # 情感分析 # stc = SnowNLP(comment[1]).sentiments # if stc > 0.6: # commentPieData[0]['value'] += 1 # elif stc < 0.2: # commentPieData[2]['value'] += 1 # else: # commentPieData[1]['value'] += 1 # 使用大模型进行情感分析 sentiment_label = data_classfication(comment[1]) if sentiment_label == '正面': commentPieData[0]['value'] += 1 else: commentPieData[1]['value'] += 1 articleList = articleDao.getAllArticle() for article in articleList: # 情感分析 # stc = SnowNLP(article[1]).sentiments # if stc > 0.6: # articlePieData[0]['value'] += 1 # elif stc < 0.2: # articlePieData[2]['value'] += 1 # else: # articlePieData[1]['value'] += 1 # 使用大模型进行情感分析 sentiment_label = data_classfication(article[1]) if sentiment_label == '正面': articlePieData[0]['value'] += 1 else: articlePieData[1]['value'] += 1 df2 = pd.read_csv('./fenci/comment_fre.csv', nrows=15) xhotData15 = [x[0] for x in df2.values][::-1] yhotData15 = [x[1] for x in df2.values][::-1] return render_template('sentimentAnalysis.html', xHotBarData=xHotBarData, yHotBarData=yHotBarData, hotTreeMapData=hotTreeMapData, commentPieData=commentPieData, articlePieData=articlePieData, xhotData15=xhotData15, yhotData15=yhotData15)重启项目测试：
)
