Update README.md

README.md

@@ -70,3 +70,45 @@ The following hyperparameters were used during training:
 - Transformers 4.47.1
 - Pytorch 2.5.1+cu121
 - Tokenizers 0.21.0
+
+### How to use:
+```python
+model_path = "ehab215/egyptian_sentiment_analysis"
+tokenizer = AutoTokenizer.from_pretrained(model_path)
+model = AutoModelForSequenceClassification.from_pretrained(model_path)
+
+# Ensure model is on GPU if available
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+model.to(device)
+
+# Step 2: Prepare test examples
+examples = [
+    "والله الفرح امبارح كان تحفة، الناس كلها كانت مبسوطة والأكل كان جامد وكله تمام",
+    "مبروك يا معلم على الشغل الجديد! انت تستاهل كل خير والله، ربنا يوفقك",
+    "النهاردة الجو عادي، لا حر ولا برد، يعني معتدل",
+    "المحل اللي تحت البيت بيفتح من الصبح لحد بالليل، بيبيع كل حاجة",
+    "الزحمة في الشارع بقت مش طبيعية، مش عارف اروح شغلي في معاد، تعبت بجد",
+    "العربية خربانة من اسبوع والميكانيكي مش عارف يصلحها، ومصاريف كتير على الفاضي",
+    "الانترنت في البيت بطيء جداً وبيفصل كل شوية، اتصلت بالشركة مليون مرة ومفيش فايدة",
+]
+
+# Tokenize the examples
+inputs = tokenizer(examples, truncation=True, padding=True, return_tensors="pt", max_length=256)
+inputs = {key: val.to(device) for key, val in inputs.items()}
+
+# Step 3: Make predictions
+with torch.no_grad():
+    outputs = model(**inputs)
+    logits = outputs.logits
+    predictions = torch.argmax(logits, dim=-1).cpu().numpy()
+
+# Step 4: Interpret results
+label_map = {0: "negative", 1: "neutral", 2: "positive"}
+predicted_labels = [label_map[p] for p in predictions]
+
+# Display results
+for text, label in zip(examples, predicted_labels):
+    print(f"Text: {text}")
+    print(f"Predicted Sentiment: {label}")
+    print("-" * 50)
+```