Чек

# Загружаем обученную модель и токенизатор
model = BertForSequenceClassification.from_pretrained('./trained_model')
tokenizer = BertTokenizerFast.from_pretrained('bert-base-multilingual-uncased')

# Реальный текст для проверки
test_text = ["Your test text here"]

# Токенизация входного текста
inputs = tokenizer(test_text, truncation=True, padding=True, return_tensors="pt")

# Прогнозирование
model.eval()  # устанавливаем модель в режим оценки (это важно для корректного прогнозирования)
with torch.no_grad():  # выключаем вычисление градиентов (это важно для экономии памяти)
    outputs = model(**inputs)

# Получаем вероятности через softmax
probs = torch.nn.functional.softmax(outputs.logits, dim=-1)

# выбираем класс с наибольшей вероятностью:
_, predicted_class = torch.max(probs, dim=-1)

# преобразуем предсказанный класс в True/False
predicted_class = predicted_class.item()  # это преобразует тензор в обычное целое число
predicted_class_bool = bool(predicted_class)  # преобразуем 1 в True и 0 в False

print(predicted_class_bool)