简介：
欢迎来到本篇文章！今天我们将讨论一个新的自然语言处理任务——英文短文识别。具体而言，即通过分析输入的英文文本来判断其是比较消极的还是比较积极的。
展示：
1、项目界面
如下所示是项目启动后用户使用使用界面
2、布局介绍 首先可以看到用户使用界面上存在这么几个部分： 2.1、最左边的功能栏 2.2、最上面的添加识别文本的输入框 2.3、一个start model按钮 2.3、Test & Result 2.4、Wordcloud 2.5、WordFrequency
3、功能介绍
3.1、最左边的功能栏
这部分暂时没有功能接入，可以根据个人需求进行功能接入
3.2、最上面的添加识别文本的输入框 在这里输入需要模型进行识别的文本，这里需要注意，由于本项目是关于英文文本识别的，所以这里输入的文本需要是英文才可以。如果输入的是其他语言的文本，可能模型没有办法进行识别，或者说会出现识别出错的情况。此外由于是英文文本识别，所以用户使用界面，我也全用英文写的
3.3、一个start model按钮 当我们输入好了文本以后，我们就可以点击这个Start model进行文本的识别了
3.3、Test & Result 当模型识别以后，用户界面会将识别结果进行展示，Test & Result的结果TaoTao这里使用的图表的形式展示的，图表有两个属性，一个是Positive还有一个是Negative，其中Positive表示输入的识别文本是积极的一类，而Negative则表示消极
3.4、Wordcloud 这里属于词云的范畴了，也就是说这里会给我们输入的文本进行统计，并给数据以词云的方式展示出来。单个词在文本中出现的次数多，则词云的字体就越大。相反当单个单词在文本中出现的次数越少，则词云的字体就越小
3.5、WordFrequency
这里统计的是输入文本中每一个单词出现的单词频率。
详细的界面效果如下所示
4、项目设计思路
本项目的实现思路如下流程图所示：
这里的model采用的是深度学习中比较基础的全连接网络实现的。
数据使用的是开源数据数据集IMDB，然后用户界面采用的是Flask结合着echarts实现的。可以看到数据和模型算法都是比较容易实现的。所以我建议大家还是需要多多练习实践，只有实践，才可以对代码有更加深刻的理解。
5、运行环境介绍
环境：windows+anaconda
主要的python库如下：
Flask 3.0.0
torch 1.8.2+cu102
torchaudio 0.8.2
torchdata 0.7.1
torchtext 0.9.2
torchvision 0.9.2+cu102
说明：运行本项目cpu版本的torch也是可以运行的，但是建议使用GPU进行
6、运行项目：
首先在项目目录下打开cmd，然后输入：python model.py
当然了，你也可以在pycharm中直接run
等待项目启动就可以了。项目启动可能会慢一点，这是由于代码需要加载数据集和模型，但是之后的使用还是比较快的，包括模型的识别速度。
之后，在terminal中会有一个url，如下所示:
http://127.0.0.1:5000/
我们给这个url输入到网页中回车，就可以访问了
之后正常使用就可以了
最后说明： 由于笔者能力有限，所以在描述的过程中难免会有不准确的地方，还请多多包含！ 更多NLP和CV文章以及完整代码请到"陶陶name"获取。
