Local sentiment analysis upload.

SentimentAnalysisModel/WeiboSentiment_SmallQwen/readme.md

@@ -0,0 +1,98 @@
+# 微调Qwen3小参数模型来完成情感分析任务
+
+<img src="https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/blob/main/static/image/logo_Qweb3.jpg" alt="微博情感分析示例" width="25%" />
+
+## 项目背景
+
+本文件夹专门用于基于阿里Qwen3系列模型的微博情感分析任务。根据最新的模型评测结果，Qwen3的小参数模型（0.6B、4B、8B）在话题识别、情感分析等相对简单的自然语言处理任务上表现优异，超越了传统的BERT等基础模型。
+
+qwen 0.6B模型加线性分类器，做特定领域的文本分类和序列标注，优于bert，也优于235B的qwen3 few shot learning。在算力有限的情况下，性价比很高...
+
+在经过了一些相关的调研之后，我觉的将Qwen3的一些小参数模型用在本系统中是一个不错的选择。
+
+虽然这个参数在LLM时代算小，但作为个人开发者计算资源有限，微调他们还是实属不易，在一张A100上训练了整整四天，求求star了
+
+## 问题探究
+
+另外我也比较好奇一个问题：例如对于Qwen3-Embedding-0.6B跟Qwen3-0.6B这两个模型，前者我接一个分类头做情感二分类，后者我进行lora微调，在同样的数据集上训练，哪个的效果更好，各有什么优势？
+
+**在绝大多数情况下，使用 Qwen3-0.6B 进行 LoRA 微调的效果会显著优于使用 Qwen3-Embedding-0.6B 外接分类头，但性能不如直接接分类头的。**
+
+因此本模块对于所有参数的都提供**微调**与**嵌入再接分类头**两个版本，供大家取舍。
+
+我们通过一个表格来清晰地展示两者的区别和优劣势：
+
+| 特性 / 维度       | 方法 A: `Qwen3-Embedding-0.6B` + 分类头                      | 方法 B: `Qwen3-0.6B` + LoRA 微调                             |
+| ----------------- | ------------------------------------------------------------ | ------------------------------------------------------------ |
+| **核心思想**      | **表示学习 (Representation Learning)**                       | **指令遵循 (Instruction Following)**                         |
+| **模型学习方式**  | 冻结Embedding模型，只训练一个非常小的分类头（如`nn.Linear`），学习从固定文本向量到情感标签的映射。 | 冻结大部分基础模型参数，通过训练LoRA“适配器”来微调模型**内部的注意力机制和知识表达**，使其学会按指令生成特定答案。 |
+| **性能上限**      | **较低**。模型的理解能力被`Qwen3-Embedding-0.6B`的通用语义表示所限制，无法学习你数据集中特有的、细微的情感模式。 | **更高**。模型在微调中调整了自身对语言的理解方式，以适应你的特定任务和数据分布，能更好地捕捉讽刺、网络用语等复杂情感。 |
+| **灵活性**        | **低**。模型只能做这一件事：输出分类标签。无法扩展。         | **高**。模型学会的是一个“任务技能”。你可以轻松修改指令，让它输出“积极/消极/中性”，甚至“为什么这是积极的？”。 |
+| **训练资源开销**  | **极低**。只需训练一个几KB到几MB的分类头，普通CPU都能完成。显存占用非常小。 | **较高**。虽然LoRA效率很高，但仍需在GPU上进行，需要加载整个0.6B模型和LoRA参数到显存中进行反向传播。 |
+| **推理速度/成本** | **极快、极低**。一次前向传播即可获得Embedding向量，分类头计算可忽略不计。非常适合大规模、低延迟的生产环境。 | **较慢、较高**。需要进行自回归生成（一个词一个词地蹦），即使答案很短（如“积极”），也比一次性前向传播慢几个数量级。 |
+| **实现复杂度**    | **简单**。遵循BERT时代的技术范式，流程成熟，代码直观。       | **中等**。需要构建指令模板、配置LoRA参数、使用SFTTrainer等，比前者稍复杂，但已有成熟框架支持。 |
+
+## 使用说明
+
+### 环境配置
+```bash
+# 安装依赖
+pip install -r requirements.txt
+
+# 激活pytorch环境
+conda activate 你的环境名
+```
+
+### 训练模型
+
+**Embedding + 分类头方法：**
+```bash
+python qwen3_embedding_universal.py
+# 程序会询问选择模型大小（0.6B/4B/8B）
+```
+
+**LoRA微调方法：**
+```bash
+python qwen3_lora_universal.py  
+# 程序会询问选择模型大小（0.6B/4B/8B）
+```
+
+**命令行参数：**
+```bash
+# 直接指定模型
+python qwen3_embedding_universal.py --model_size 0.6B
+python qwen3_lora_universal.py --model_size 4B
+
+# 自定义参数
+python qwen3_embedding_universal.py --model_size 8B --epochs 10 --batch_size 16
+```
+
+### 预测使用
+
+**交互式预测：**
+```bash
+python predict_universal.py
+# 程序会让你选择具体的模型和方法
+```
+
+**命令行预测：**
+```bash
+# 指定模型预测
+python predict_universal.py --model_type embedding --model_size 0.6B --text "今天天气真好"
+
+# 加载所有模型
+python predict_universal.py --load_all --text "这个电影太棒了"
+```
+
+### 注意事项
+
+1. **显存要求**：
+   - 0.6B: 最低4GB显存
+   - 4B: 最低16GB显存  
+   - 8B: 最低32GB显存
+
+2. **数据格式**：每行格式为`文本内容\t标签`，标签为0（负面）或1（正面）
+
+3. **模型选择**：初次使用建议从0.6B模型开始测试
+
+4. **训练时间**：LoRA微调比Embedding方法耗时更长，建议使用GPU加速