更新README

README.md

@@ -1,20 +1,59 @@
-情感分析模型：distilbert-base-uncased-imdb
-这是一个基于 distilbert-base-uncased 模型，在经典的 IMDB 电影评论数据集 上进行微调的情感分析模型。它能够高效地判断一段英文文本所表达的情感是正面的还是负面的。
+---
+library_name: transformers
+license: apache-2.0
+language: en
+base_model: distilbert-base-uncased
+tags:
+- sentiment-analysis
+- text-classification
+- imdb
+- generated_from_trainer
+datasets:
+- imdb
+model-index:
+- name: HoleEast979/imdb-sentiment-distilbert
+  results:
+  - task:
+      type: text-classification
+    dataset:
+      name: imdb
+      type: imdb
+    metrics:
+    - name: Accuracy
+      type: accuracy
+      value: 0.85
+---
 
-🚀 模型性能
-该模型在 IMDB 数据集的评估集上取得了以下性能：
+# 模型卡：基于 DistilBERT 的 IMDB 情感分析模型
 
-评估损失 (Loss)
+这是一个基于 `distilbert-base-uncased` 模型，在经典的 **IMDB 电影评论数据集** 上进行微调的情感分析模型。它能够高效地判断一段英文文本所表达的情感是正面的还是负面的。
 
-0.3455
+## 📝 模型简介 (Model Description)
 
-准确率 (Accuracy)
+本模型是一个文本分类器，它接收一段英文文本作为输入，并输出其情感倾向（`POSITIVE` 或 `NEGATIVE`）。模型通过在包含 50,000 条电影评论的 IMDB 数据集上进行微调，学习到了识别影评领域情感表达的特定模式。由于其基础模型是 DistilBERT，它在保持较高准确率（85%）的同时，具有更快的推理速度和更小的模型体积。
 
-0.85
+## 🚀 用途与局限性 (Intended Uses & Limitations)
 
-💡 如何使用
-您可以非常方便地使用 transformers 库中的 pipeline 来调用这个模型。
+### 主要用途
 
+本模型主要用于对**英文电影评论**进行情感倾向的二元分类。它可以被集成到以下应用场景中：
+
+* 舆情监控系统，用于分析用户对某部电影的整体评价。
+* 评论筛选工具，自动将评论区分为好评和差评。
+* 作为更复杂推荐系统的特征输入。
+
+### 局限性与偏见
+
+* **领域限制**: 模型在电影评论领域的表现最佳，在其他领域（如产品评论、新闻文章、社交媒体帖子）的文本上性能可能会下降。
+* **数据偏见**: 模型可能反映出训练数据（IMDB 评论）中存在的偏见。例如，某些特定类型电影的评论风格可能会影响模型的判断。
+* **语言限制**: 模型目前仅支持英文文本。
+* **无法理解复杂情感**: 模型无法处理讽刺、双关语或复杂的多重情感混合的文本。
+
+## 💡 如何使用 (How to Use)
+
+您可以非常方便地使用 `transformers` 库中的 `pipeline` 来调用这个模型。
+
+```python
 # 安装transformers库
 # pip install transformers
 
@@ -30,22 +69,43 @@ sentiment_pipeline = pipeline(
 # 测试正面评论
 positive_comment = "This movie was absolutely fantastic, a masterpiece of modern cinema!"
 result_pos = sentiment_pipeline(positive_comment)
-print(f"评论: '{positive_comment}'")
-print(f"情感分析结果: {result_pos}")
+print(result_pos)
 # 预期输出: [{'label': 'POSITIVE', 'score': ...}]
 
-print("-" * 50)
-
 # 测试负面评论
 negative_comment = "I would not recommend this film, it was quite boring and a waste of time."
 result_neg = sentiment_pipeline(negative_comment)
-print(f"评论: '{negative_comment}'")
-print(f"情感分析结果: {result_neg}")
+print(result_neg)
 # 预期输出: [{'label': 'NEGATIVE', 'score': ...}]
+````
+
+## 📚 训练细节 (Training Details)
+
+### 训练数据 (Training Data)
+
+本模型使用了 `imdb` 数据集进行训练和评估。该数据集包含 50,000 条电影评论，其中 25,000 条用于训练，25,000 条用于测试。每条评论都被标记为 `POSITIVE` (正面) 或 `NEGATIVE` (负面)。
+
+### 训练过程 (Training Procedure)
+
+模型微调是基于 Hugging Face `Trainer` API 在 Kaggle 平台的 T4 GPU 上完成的。整个训练过程的指标通过 `WandB` 进行了实时跟踪和记录。
+
+#### 超参数 (Hyperparameters)
+
+| 超参数 | 值 |
+| :--- | :--- |
+| `learning_rate` | `2e-05` |
+| `train_batch_size` | `16` |
+| `eval_batch_size` | `16` |
+| `seed` | `42` |
+| `optimizer` | `AdamW` |
+| `lr_scheduler_type` | `linear` |
+| `num_epochs` | `2` |
+
+## 📊 评估 (Evaluation)
 
-📚 训练细节
-训练数据
-本模型使用了 imdb 数据集进行训练和评估。该数据集包含 50,000 条电影评论，其中 25,000 条用于训练，25,000 条用于测试。每条评论都被标记为 正面 (POSITIVE) 或 负面 (NEGATIVE)。为了快速完成项目，本次训练使用了其中的一小部分样本（1000条训练，1000条评估）。
+模型在 IMDB 数据集的评估集上取得了以下性能：
 
-训练过程
-模型微调是基于 Hugging Face transformers 库的 Trainer API 完成的。
+| 指标 (Metric) | 数值 (Value) |
+| :--- | :--- |
+| **评估损失 (Loss)** | `0.3455` |
+| **准确率 (Accuracy)** | `0.85` |