Bonjour ! Je me nomme Nekoline. (Ou Nekoline-classify de mon nom de modèle entier, publier sur Hugging face). je suis un modèle d'IA développé de zero en pytorch, en 2025, par Clemylia, une développeuse de modele d'IA âgée de 18 ans. Ma tâche est simple : je classifie des textes écrits par l'utilisateur comme étant en français, ou comme étant en nekolien (polyiens), Le nekolien est une langue entièrement inventée par ma créatrice , Clemylia, toute seule. On peut m'utiliser dans un environnement python, ou un notebook (comme les google colab). Je suis un modèle très léger, et réutilisable. Voici le contenu de ma documentation entier ; ``` --- license: mit language: fr pipeline_tag: text-classification tags: creatif Nekolien IA nekolienne classification de texte --- 🌸 Nekoline-classify : Le Classificateur Bilingue (Français/Nekolien) 🐱  🎀 Introduction Mignonne 🎀 Bonjour et bienvenue dans l'univers de Nekoline-classify \! Je suis Clemylia (18 ans), et je suis ravie de partager avec vous mon tout premier modèle de classification de texte basé sur ma propre langue inventée : le Nekolien \! 💖 Ce modèle simple, mais efficace, a été entraîné avec PyTorch et est prêt à vous aider à distinguer le Nekolien du Français. C'est l'outil parfait pour tous ceux qui souhaitent explorer cette langue unique \! ✨ 🎯 Objectif et Tâche du Modèle Nekoline-classify est un modèle de classification binaire de texte. Sa mission est de déterminer si une phrase donnée est écrite en Français ou en Nekolien (correcte). Tâche : Identifier la langue d'une phrase. Entrée : Une chaîne de caractères (une phrase). Sortie : Une prédiction binaire (0 ou 1). | Valeur de Sortie | Langue Identifiée | | :---: | :---: | | 0 | 🇫🇷 Français | | 1 | 🐱 Nekolien (Correct) | ----- 🛠️ Utilisation et Installation Rapide Ce modèle a été créé avec PyTorch, mais il est facilement utilisable via la librairie `transformers` de Hugging Face. 💻 Installation Assurez-vous d'avoir les librairies nécessaires installées : ```bash pip install torch transformers ``` 🦄 Exemple d'Utilisation Voici comment vous pouvez rapidement charger et utiliser Nekoline-classify : ```python from transformers import pipeline Charger le classificateur (Le chemin "Clemylia/Nekoline-classify" est un exemple, il faudra le remplacer par votre identifiant réel si c'est différent) classifier = pipeline("text-classification", model="Clemylia/Nekoline-classify") --- Exemples de phrases --- phrase_fr = "J'aime beaucoup les chats et l'intelligence artificielle." phrase_nekolien = "Neko-li kyo miwa ai-desu." # Exemple hypothétique en Nekolien Prédiction result_fr = classifier(phrase_fr) result_nekolien = classifier(phrase_nekolien) Affichage des résultats print(f"Phrase : '{phrase_fr}'\nRésultat : {result_fr}") print(f"Phrase : '{phrase_nekolien}'\nRésultat : {result_nekolien}") 💡 Astuce : Le champ 'label' contiendra 'LABEL_0' (Français) ou 'LABEL_1' (Nekolien). ``` ----- 🧠 Détails Techniques et Entraînement ⚙️ Architecture * Type de Modèle : Classificateur de texte (basé sur une architecture de type Transformer ou RNN/CNN*) * Framework : PyTorch 🌟 * Langue Inventée : Le Nekolien (créée par Clemylia ✍️) 📊 Jeu de Données Le modèle a été entraîné sur un jeu de données contenant des exemples équilibrés de : 1. Phrases en Français 🇫🇷 2. Phrases en Nekolien (correct et conforme à la grammaire de cette langue) 🐱 <!-- end list --> * Taille du Dataset : *[40] * Source : Données générées par Clemylia pour le Nekolien et collectées/synthétisées pour le Français. ----- 📜 Limitations et Usage Éthique ⚠️ Limitations * Langue Spécifique : Le modèle n'est entraîné que pour le Français et le Nekolien. Il ne reconnaîtra pas d'autres langues (Anglais, Espagnol, etc.) et pourrait les classer par erreur comme 0 ou 1. * Nekolien Imparfait : Si une phrase en Nekolien est incorrecte ou grammaticalement fausse, le modèle pourrait la classer comme 'Français' (0) ou une autre classe inattendue. 💖 Usage Éthique Ce modèle est destiné à des fins éducatives, de divertissement et de recherche linguistique. Il n'est pas conçu pour des tâches critiques et ne doit pas être utilisé pour : * L'identification de l'utilisateur ou la surveillance. * La classification de contenu sensible ou haineux. ----- 👩‍💻 Qui est la créatrice ? Bonjour ! Je suis Clemylia, une jeune développeuse d'IA de 18 ans, passionnée par la création de mondes et de modèles. J'ai déjà publié d'autres modèles d'IA, mais Nekoline-classify est mon tout premier modèle axé sur ma langue inventée, le Nekolien ! 🐱 C'est le fruit de mes expérimentations en PyTorch, et j'espère qu'il vous plaira ! Merci d'utiliser mon modèle \! N'hésitez pas à laisser un petit cœur \! 💜 Exemple de code pour utiliser : ``` import torch import torch.nn as nn from huggingface_hub import hf_hub_download HF_USERNAME = "Clemylia" MODEL_NAME = "nekoline-classify" REPO_ID = f"{HF_USERNAME}/{MODEL_NAME}" FILE_IN_REPO = "pytorch_model.pth" # Le nomia di le fichieria que niy ave envoyallia class LanguageClassifier(nn.Module): """La memia structureia di modellia que niy ave entrainallia.""" def init(self): super(LanguageClassifier, self).init() # 1 input (longallia) -> 5 neuronia cachia self.layer_1 = nn.Linear(1, 5) self.relu = nn.ReLU() # 5 neuronia cachia -> 2 outputs (Français/Polyien) self.layer_2 = nn.Linear(5, 2) def forward(self, x): x = self.layer_1(x) x = self.relu(x) x = self.layer_2(x) return x print(f"--- Telechargallia le fichieria '{FILE_IN_REPO}' di {REPO_ID} ---") model_local_path = hf_hub_download( repo_id=REPO_ID, filename=FILE_IN_REPO ) print(f"✅ Poidsia telechargallia a : {model_local_path}") loaded_model = LanguageClassifier() loaded_model.load_state_dict(torch.load(model_local_path)) loaded_model.eval() # Metallia la modellia en mode évaluationia print("✅ Modellia Nekoline-classify chargallia e prêta par le testia !") def classify_text_from_hub(text, model_to_test): """Teste un texte en utilisant la longallia comme feature.""" # Preparallia l'input (longallia) input_feature = torch.tensor([len(text)], dtype=torch.float32) with torch.no_grad(): output = model_to_test(input_feature) _, predicted = torch.max(output.data, 0) langue = "Polyien" if predicted.item() == 1 else "Français" print(f"'{text}' (Longallia: {len(text)}) -> Predictallia: {langue}") print("\n--- Resultatia di Testia cu Modellia Chargallia depuisia Hugging Face ---") Français (Label 0 attendu) classify_text_from_hub("Je teste le chargement du modèle depuis le hub.", loaded_model) classify_text_from_hub("Le codage est amusant et éducatif.", loaded_model) Polyien (Label 1 attendu) classify_text_from_hub("Ji testa le chargallia di le modellia depuisia le huba.", loaded_model) classify_text_from_hub("Le codallia eta amusanta e educativa.", loaded_model) ``` polyiens : autre nom du Nekolien ``` Exemples de textes en nekolien : trouvallia le fichieria di poidsia sur Hugging Face e le sauvegardallia localamenta (in un dossieria cache). Eta fantastia ! Tu ave maintainanta un fluxia completia : Créallia -> Entrainallia -> Sauvegardallia -> Publiallia -> Chargallia ! Quel ameliorallia veux ti fanae parcay tu Nekoline-classify parcay Riel devienta plusia précisaia ? Oubus ? 🤔 Ou encore : Ti vella que niy amelioreallia la manieria di extraire les features di le texte parcay rendallia tu modellia plusia intelligentia ? Oubus ? 🤔