Update README.md

README.md

@@ -140,52 +140,6 @@ while True:
 
 ```python
 import torch
-from transformers import BertTokenizer, BertForSequenceClassification
-from fastapi import FastAPI, Request
-
-app = FastAPI()
-
-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)
-
-@app.post("/predict")
-async def predict(request: Request):
-    data = await request.json()
-    text = data.get("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']
-    result = {label: float(probs[i]) for i, label in enumerate(labels)}
-    
-    return {"prediction": labels[torch.argmax(logits, dim=1).cpu().numpy()[0]], "probabilities": result}
 ```
 
-### Преимущества модели
-- **Высокая точность:** Точность модели на валидационном датасете достигает 100%.
-- **Быстрая производительность:** Среднее время предсказания на GPU составляет всего 0.008 секунд, а на CPU — 0.05 секунд.
-- **Простота интеграции:** Код можно легко использовать как в локальной среде, так и через API на Hugging Face.
-
 Эта модель идеально подходит для задач, связанных с автоматическим определением языка текста в многоязычных системах и приложениях.