Update README.md

README.md

@@ -14,25 +14,25 @@ tags:
 - code
 ---
 
-### README.md для модели классификации 3-х языков (русский, кабардинский, карачаево-балкарский)
+### Zehedz
 
 #### Описание модели
-Эта модель классифицирует тексты на три языка: русский (`rus_Cyrl`), кабардинский (`kbd_Cyrl`) и карачаево-балкарский (`krc_Cyrl`). Модель основана на архитектуре BERT и обучена на специализированном корпусе, охватывающем данные для каждого из указанных языков. Модель показывает высокую точность на этапе валидации и обладает высокой скоростью работы как на GPU, так и на CPU.
+Эта модель классифицирует тексты на три языка: Русский (`rus_Cyrl`), Кабардино-Черкесский (`kbd_Cyrl`) и Карачаево-Балкарский (`krc_Cyrl`). Модель основана на архитектуре BERT и обучена на специализированном корпусе, охватывающем данные для каждого из указанных языков. Модель показывает высокую точность на этапе валидации и обладает высокой скоростью работы как на GPU, так и на CPU.
 
 #### Результаты обучения
 
 ```
 Epoch 1/3
-Train loss 0.0431 accuracy 0.9889
-Val loss 0.0014 accuracy 1.0000
+Train loss: 0.0431 | accuracy: 0.9889
+Val loss: 0.0014 | accuracy: 1.0000
 ----------
 Epoch 2/3
-Train loss 0.0111 accuracy 0.9974
-Val loss 0.0023 accuracy 0.9994
+Train loss: 0.0111 | accuracy: 0.9974
+Val loss: 0.0023 | accuracy: 0.9994
 ----------
 Epoch 3/3
-Train loss 0.0081 accuracy 0.9982
-Val loss 0.0013 accuracy 1.0000
+Train loss: 0.0081 | accuracy: 0.9982
+Val loss: 0.0013 | accuracy: 1.0000
 ```
 
 #### Производительность
@@ -42,7 +42,7 @@ Val loss 0.0013 accuracy 1.0000
 
 #### Использование модели
 
-##### 1. Код для работы с моделью (возвращает один label):
+##### Код для работы с моделью:
 
 ```python
 import torch
@@ -81,59 +81,8 @@ def predict(text):
     
     return predicted_class
 
-while True:
-    text = input("Текст>>> ")
-    print(predict(text))
-```
-
-##### 2. Код для работы с моделью (возвращает вероятности через softmax):
-
-```python
-import torch
-from transformers import BertTokenizer, BertForSequenceClassification
-import torch.nn.functional as F
-
-model_path = 'BERT_v3/zehedz'
-
-model = BertForSequenceClassification.from_pretrained(model_path, num_labels=3, problem_type="single_label_classification")
-tokenizer = BertTokenizer.from_pretrained(model_path)
-
-def predict(text):
-    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
-    model.to(device)
-    model.eval()
-
-    encoding = tokenizer.encode_plus(
-        text,
-        add_special_tokens=True,
-        max_length=512,
-        return_token_type_ids=False,
-        truncation=True,
-        padding='max_length',
-        return_attention_mask=True,
-        return_tensors='pt',
-    )
-
-    input_ids = encoding['input_ids'].to(device)
-    attention_mask = encoding['attention_mask'].to(device)
-
-    with torch.no_grad():
-        outputs = model(input_ids=input_ids, attention_mask=attention_mask)
-        logits = outputs.logits
-        
-        probs = F.softmax(logits, dim=1).cpu().numpy()[0]
-
-    labels = ['kbd_Cyrl', 'rus_Cyrl', 'krc_Cyrl']
-    for i, label in enumerate(labels):
-        print(f"Class: {label}, Probability: {probs[i]:.4f}")
-
-    predicted_class = labels[torch.argmax(logits, dim=1).cpu().numpy()[0]]
-    
-    return predicted_class
-
-while True:
-    text = input("Текст>>> ")
-    predict(text)
+text = "Привет, как дела?"
+print(predict(text))
 ```
 
 #### Использование в API Space на Hugging Face