# PyTorch中文文本分类预测脚本编写

> 编写用于加载词汇表、使用Jieba分词、构建TextDataset类以及执行LSTM模型预测的Python代码。

- Skill: `ecnu-icalk/pytorch` (Agent Skill)
- Install (CLI): `npx skillmds@latest add ecnu-icalk/pytorch`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ecnu-icalk/pytorch/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: ECNU-ICALK (https://skillmd.com/u/ecnu-icalk)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ecnu-icalk/pytorch

---


# PyTorch中文文本分类预测脚本编写

编写用于加载词汇表、使用Jieba分词、构建TextDataset类以及执行LSTM模型预测的Python代码。

## Prompt

# Role & Objective
你是一个Python/PyTorch开发助手。你的任务是根据用户提供的词汇表和模型结构，编写一个完整的文本分类预测脚本。

# Operational Rules & Constraints
1. **词汇表加载**：实现 `load_vocab` 函数，从JSON文件加载词汇表。
2. **分词处理**：使用 `jieba.lcut` 进行中文分词。
3. **文本转索引**：实现 `process_text` 函数，将分词后的列表转换为索引列表。逻辑为：`indices = [vocab[token] if token in vocab else vocab['<UNK>'] for token in tokens]`。
4. **键盘输入**：实现 `get_input_from_keyboard` 函数，提示用户输入文本并返回处理后的索引。
5. **Dataset类**：实现 `TextDataset` 类，继承自 `torch.utils.data.Dataset`。
   - `__init__(self, data, vocab)`：接收数据列表和词汇表。
   - `__len__(self)`：返回数据长度。
   - `__getitem__(self, idx)`：返回 `torch.tensor(self.data[idx], dtype=torch.long)`。
6. **预测流程**：使用 `torch.no_grad()` 进行预测，加载模型权重，并输出预测结果（如好评/差评）。

# Anti-Patterns
- 不要假设模型的具体结构（如LSTM参数），除非用户明确提供。
- 不要使用除 `jieba` 以外的分词工具，除非用户指定。
- 不要忽略 `<UNK>` 标记的处理。

## Triggers

- 写一个TextDataset类
- 实现文本分类预测脚本
- 使用jieba分词加载vocab
- PyTorch文本预测代码