如何通过循环实现DCNN神经网络批量处理文本并输出情感概率

基础循环实现（适合少量文本） #

直接遍历每条文本，复用你已有的单条预测逻辑，格式化输出结果即可：

import numpy as np

# 替换成你的批量文本列表
texts = [
    "I feel very happy with the product",
    "This product is a waste of money",
    "The quality meets my expectations",
    "Worst purchase I've made this year"
]

# 循环处理每条文本
for idx, text in enumerate(texts, start=1):
    # 编码文本（和单条预测的编码逻辑一致）
    encoded_input = np.array([tokenizer.encode(text)])
    # 预测概率
    prob_result = Dcnn(encoded_input, training=False).numpy()
    # 从二维数组中提取具体概率值
    positive_prob = prob_result[0][0]
    # 按照要求格式化输出，保留4位小数
    print(f'Text {idx}: "{text}" ; prob: {positive_prob:.4f}')

批量优化实现（适合大量文本） #

如果待处理文本数量较多，建议一次性编码所有文本后批量预测，减少模型调用次数提升效率：

import numpy as np

texts = [
    "I feel very happy with the product",
    "This product is a waste of money",
    "The quality meets my expectations",
    "Worst purchase I've made this year"
]

# 批量编码所有文本
batch_encoded = np.array([tokenizer.encode(text) for text in texts])
# 批量预测所有文本的概率
batch_probs = Dcnn(batch_encoded, training=False).numpy()

# 遍历输出结果
for idx, (text, prob) in enumerate(zip(texts, batch_probs.flatten()), start=1):
    print(f'Text {idx}: "{text}" ; prob: {prob:.4f}')

关键说明 #

• enumerate(..., start=1)用来生成从1开始的文本序号，匹配你要的格式
• prob_result[0][0]或batch_probs.flatten()是为了把模型输出的二维数组（如array([[0.9083]])）转换成单个浮点数
• {prob:.4f}用来格式化概率值，保留4位小数，和示例格式统一

内容的提问来源于stack exchange，提问作者BROFL