Bert中文文本分类输出

基于Pytorch框架的Bert模型中文文本分类，输出结果是如下图所示的张量Tensor([151])等，我的分类类别是0、1，一直到6这样的数字标签，请问怎么从输出的张量结果看对应的预测类别标签？
这样输出的结果是正确的吗？
谢谢回答的大家！

部分模型引用代码如下：

with open('data_for_classify.txt','r',encoding='utf-8') as f:
    for line in f.readlines():
        new_sentences = line.strip()
        input_ids, seq_len, attention_mask = preprocess(new_sentences)
        preprocessed_sentences = preprocess(new_sentences)
        logits = bert_model.forward(preprocessed_sentences[0], attention_mask=preprocessed_sentences[2])[1]
        #preprocessed_sentences = preprocess(new_sentences)
        #logits = bert_model.forward()
        probabilities = torch.nn.functional.softmax(logits, dim=-1)
        predicted_classes = torch.argmax(probabilities, dim=-1)
        print(predicted_classes)

不知道你这个问题是否已经解决, 如果还没有解决的话:

这个问题的回答你可以参考下: https://ask.csdn.net/questions/7540840
这篇博客也不错, 你可以看下由浅入深，带你搞懂 Pytorch 中的张量 tensor 是什么
除此之外, 这篇博客: Pytorch中使用Bert预训练模型，并给定句子得到对应的向量中的 修改输入形式 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
Bert的输入要有三个向量：（1）input_ids （2）token_type_ids （3）attention_mask。这三个向量可以通过一行代码获得：
```
sentenceA = '等潮水退去，就知道谁没穿裤子'
text_dict = tokenizer.encode_plus(sentenceA, add_special_tokens=True, return_attention_mask=True)
```
您还可以看一下龙良曲老师的深度学习与PyTorch入门实战教程课程中的 Tensor运算小节, 巩固相关知识点
以下回答来自chatgpt:
针对问题中的张量输出结果，可以使用PyTorch中的item()方法获取张量中的值，并使用近似函数进行取整操作得到最终的预测类别标签。
具体实现步骤如下：
1. 将输出的张量中的值取出，用item()方法将其转换为标量。
2. 对取出的标量进行四舍五入的操作，使用Python内置的round()函数实现。
3. 将四舍五入后的结果转换为整数类型，使用Python内置的int()函数实现。
4. 将整数类型的结果作为最终的预测类别标签返回。
代码实现如下：
```
# 模型预测
with torch.no_grad():
    output = model(input_ids, attention_mask, token_type_ids)
    logits = output[0]
    preds = torch.argmax(logits, dim=1)
    pred_label = int(round(preds.item()))
    print("预测类别标签为：", pred_label)
```
其中，preds.item()用于获取张量中的值，int()函数用于将四舍五入后的标量转换为整数类型，round()函数用于实现四舍五入操作。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^