app.py

import os

import transformers
from transformers import pipeline
from transformers.pipelines.token_classification import TokenClassificationPipeline
import py_vncorenlp

os.system('pwd')
os.system('sudo update-alternatives --config java')
os.mkdir('/home/user/app/vncorenlp')
py_vncorenlp.download_model(save_dir='/home/user/app/vncorenlp')
rdrsegmenter = py_vncorenlp.VnCoreNLP(annotators=["wseg"], save_dir='/home/user/app/vncorenlp')

# I have to make some changes to the preprocess() method since they (Hugging Face) had changed some attributes
class MyPipeline(TokenClassificationPipeline):
  def preprocess(self, sentence, offset_mapping=None, **preprocess_params):
      tokenizer_params = preprocess_params.pop("tokenizer_params", {})
      truncation = True if self.tokenizer.model_max_length and self.tokenizer.model_max_length > 0 else False
      inputs = self.tokenizer(
          sentence,
          return_tensors=self.framework,
          truncation=truncation,
          return_special_tokens_mask=True,
          return_offsets_mapping=self.tokenizer.is_fast,
          **tokenizer_params,
      )
      inputs.pop("overflow_to_sample_mapping", None)
      num_chunks = len(inputs["input_ids"])

      # Override preprocess method with these offset_mapping lines
      length = len(inputs['input_ids'][0]) - 2
      tokens = self.tokenizer.tokenize(sentence)
      seek = 0
      offset_mapping_list = [[(0, 0)]]
      for i in range(length):
        if tokens[i][-2:] == '@@':
          offset_mapping_list[0].append((seek, seek + len(tokens[i]) - 2))
          seek += len(tokens[i]) - 2            
        else:
          offset_mapping_list[0].append((seek, seek + len(tokens[i])))
          seek += len(tokens[i]) + 1
      offset_mapping_list[0].append((0, 0))

      for i in range(num_chunks):
          if self.framework == "tf":
              model_inputs = {k: tf.expand_dims(v[i], 0) for k, v in inputs.items()}
          else:
              model_inputs = {k: v[i].unsqueeze(0) for k, v in inputs.items()}
              
          model_inputs['offset_mapping'] = offset_mapping_list
          model_inputs["sentence"] = sentence if i == 0 else None
          model_inputs["is_last"] = i == num_chunks - 1

          yield model_inputs

model_checkpoint = "DD0101/disfluency-large"

my_classifier = pipeline(
  "token-classification", model=model_checkpoint, aggregation_strategy="simple", pipeline_class=MyPipeline)


#################### IDSF #######################
from Customized_IDSF.utils import get_intent_labels, get_slot_labels, load_tokenizer
import argparse
import Customized_IDSF.load_model as lm

parser = argparse.ArgumentParser()

# parser.add_argument("--input_file", default="sample_pred_in.txt", type=str, help="Input file for prediction")
# parser.add_argument("--output_file", default="sample_pred_out.txt", type=str, help="Output file for prediction")
parser.add_argument("--model_dir", default="/home/user/app/Customized_IDSF/JointBERT-CRF_PhoBERTencoder", type=str, help="Path to save, load model")

parser.add_argument("--batch_size", default=32, type=int, help="Batch size for prediction")
parser.add_argument("--no_cuda", action="store_true", help="Avoid using CUDA when available")

pred_config = parser.parse_args()    

# load model and args
args = lm.get_args(pred_config)
device = lm.get_device(pred_config)
model = lm.load_model(pred_config, args, device)

intent_label_lst = get_intent_labels(args)
slot_label_lst = get_slot_labels(args)

# Convert input file to TensorDataset
pad_token_label_id = args.ignore_index
tokenizer = load_tokenizer(args) 

#################### END IDSF #######################



def remove_disfluency(example, prediction):
  characters = list(example)

  for entity in reversed(prediction):
    characters[entity['start']:entity['end']] = ''
  
  return " ".join("".join(characters).split())


import gradio as gr

def ner(text):
  text = " ".join(rdrsegmenter.word_segment(text))
    
  # Some words in lowercase like "đà nẵng" will get error (due to vncorenlp)
  text = text.replace("_đà ", " đà_").replace("_Đà ", " Đà_")        
    
  output = my_classifier(text)
  for entity in output:
    entity['entity'] = entity.pop('entity_group')

  # Remove Disfluency-entities to return a sentence with "Fluency" version
  fluency_sentence = remove_disfluency(text, output)


  #################### IDSF #######################
  prediction = lm.predict([fluency_sentence.strip().split()], pred_config, args, tokenizer, pad_token_label_id, model, device,
                         intent_label_lst, slot_label_lst)
  words, slot_preds, intent_pred = prediction[0][0],  prediction[1][0],  prediction[2][0]

  slot_tokens = []    

  words[0] = words[0][0].upper() + words[0][1:] # capitalize the first word of sentence
  for word, pred in zip(words, slot_preds):
      word = word.replace("_", " ")
      if pred == 'O':
          slot_tokens.extend([(word, None), (" ", None)])
          
      elif pred[0] == 'I': # token with label's prefix' "I-XXX": will be combined their corresponded "B-XXX"
          added_tokens = list(slot_tokens[-2]) 
          added_tokens[0] += f' {word}'
          slot_tokens[-2] = tuple(added_tokens)
          
      elif pred[0] == 'B': # token with label's prefix "B-XXX" : remove "B-" 
          slot_tokens.extend([(word, pred[2:]), (" ", None)])
          
      else: # PAD or UNK tags
          slot_tokens.extend([(word, pred), (" ", None)])
  
  intent_label = intent_label_lst[intent_pred]

  #################### END IDSF ####################### 



  fluency_sentence = fluency_sentence[0].upper() + fluency_sentence[1:] # since capitalize() just lowercase whole sentence first then uppercase the first letter

  # Replace words like "Đà_Nẵng" to "Đà Nẵng"  
  text = text.replace("_", " ")
  fluency_sentence = fluency_sentence.replace("_", " ")
    
  return {'text': text, 'entities': output}, fluency_sentence, slot_tokens, intent_label 


################################### Gradio Demo ####################################

examples = ['Tôi cần thuê à tôi muốn bay một chuyến khứ hồi từ Đà Nẵng đến Đà Lạt', 
            'Giá vé một chiều à không khứ hồi từ Đà Nẵng đến Vinh dưới 2 triệu đồng giá vé khứ hồi từ Quy Nhơn đến Vinh dưới 3 triệu đồng giá vé khứ hồi từ Buôn Ma Thuột đến Quy Nhơn à đến Vinh dưới 4 triệu rưỡi', 
            'Cho tôi biết các chuyến bay đến Đà Nẵng vào ngày 12 mà không ngày 14 tháng sáu',
            'Những chuyến bay nào khởi hành từ Thành phố Hồ Chí Minh bay đến Frankfurt mà nối chuyến ở Singapore và hạ cánh trước 10 giờ ý tôi là 9 giờ tối',
            'Thành Phố nào có VNA ừm thôi cho tôi xem tất cả các chuyến bay từ Thanh Hóa hay Nghệ An nhỉ à Thanh Hóa đến Đà Lạt vào Thứ ba à thôi tôi cần vào Thứ hai'
] 

demo = gr.Interface(ner, 
                    gr.Textbox(label='Sentence', placeholder="Enter your sentence here..."),
                    outputs=[gr.HighlightedText(label='Disfluency Highlighted'), gr.Textbox(label='"Fluency" version'),
                             gr.HighlightedText(label='Slot Filling Highlighted'), gr.Textbox(label='Intent Label')],
                    examples=examples,
                    title="Disfluency Detection",
                    description="This is an easy-to-use built in Gradio for desmontrating a NER System that identifies disfluency-entities in \
                    Vietnamese utterances",
                    theme=gr.themes.Soft())

demo.launch()