#!/usr/bin/env python
# coding: utf-8

# In[113]:


import gradio as gr
import torch
from scipy.special import softmax
from transformers import BertForSequenceClassification, BertTokenizer, BertConfig


# In[114]:


tokenizer = BertTokenizer.from_pretrained("indobenchmark/indobert-base-p1")
config = BertConfig.from_pretrained('indobenchmark/indobert-base-p1')
model = BertForSequenceClassification.from_pretrained('indobenchmark/indobert-base-p1', config = config)


# In[115]:


def preprocess(text):
    new_text = []
    for t in text.split(" "):
        t = '@user' if t.startswith('@') and len(t) > 1 else t
        t = 'http' if t.startswith('http') else t
        new_text.append(t)
    return " ".join(new_text)


# In[116]:


def sentiment_analysis(text):
    text = preprocess(text)
    encoded_input = tokenizer(text, return_tensors='pt')
    output = model(**encoded_input)
    scores_ = output[0][0].detach().numpy()
    scores_ = softmax(scores_)
    # Format output dict of scores
    labels = ['Negative', 'Neutral', 'Positive']
    scores = {l:float(s) for (l,s) in zip(labels, scores_) }
    return scores


# In[117]:


example_sentence_1 = "aduh mahasiswa sombong kasih kartu kuning belajar usahlah politik selesai kuliah nya politik telat dasar mahasiswa"
example_sentence_2 = "lokasi strategis jalan sumatra bandung nya nyaman sofa lantai paella nya enak pas dimakan minum bir dingin appetiser nya enak enak"
example_sentence_3 = "pakai kartu kredit bca tidak untung malah rugi besar"
example_sentence_4 = "makanan beragam , harga makanan di food stall akan ditambahkan 10 % lagi di kasir , suasana ramai dan perlu perhatian untuk mendapatkan parkir dan tempat duduk"
examples = [[example_sentence_1], [example_sentence_2],
           [example_sentence_3], [example_sentence_4]]


# In[118]:


markdownn = '''
## Sentiment Analysis IndoBERT by IndoNLU 
![Sentiment](https://huggingface.co/spaces/Vrooh933/BitHealth_Sentiment_Analysis_IndoBERT/resolve/main/sentiment_image.png)

### Apa itu Sentimen Analisis?
Sentimen analisis atau sentiment analysis adalah proses untuk mengidentifikasi, mengekstrak, 
dan memproses sentimen atau opini dari suatu teks, seperti artikel, review, tweet, atau status media sosial lainnya. 
Tujuannya adalah untuk menentukan apakah sentimen yang diekspresikan dalam teks tersebut adalah positif, negatif, atau netral. 
Sentimen analisis sering digunakan dalam berbagai industri, seperti bisnis, pemasaran, media sosial, dan politik untuk memahami opini atau persepsi publik tentang produk, merek, acara, atau isu tertentu. 

### Tujuan Penggunaan
Analisis sentimen adalah teknik yang dapat digunakan dalam berbagai aplikasi. Berikut adalah beberapa contoh kasus penggunaan untuk analisis sentimen. Pemantauan media sosial: Analisis sentimen dapat digunakan untuk memantau sentimen postingan media sosial tentang perusahaan atau merek. Teknik dapat membantu perusahaan memahami bagaimana merek mereka dirasakan oleh publik dan mengidentifikasi area untuk perbaikan.

Secara keseluruhan, analisis sentimen adalah teknik serbaguna yang dapat digunakan di berbagai bidang untuk mendapatkan wawasan dari data tekstual.

#### Dokumentasi Pipeline 
berikut adalah dokumentasi Deep Learning indoBERT sentimen analisis: 
```python
from deepsparse import Pipeline
tokenizer = BertTokenizer.from_pretrained("indobenchmark/indobert-base-p1")
config = BertConfig.from_pretrained('indobenchmark/indobert-base-p1')
model = BertForSequenceClassification.from_pretrained('indobenchmark/indobert-base-p1')

def preprocess(text):
    new_text = []
    for t in text.split(" "):
        t = '@user' if t.startswith('@') and len(t) > 1 else t
        t = 'http' if t.startswith('http') else t
        new_text.append(t)
    return " ".join(new_text)
    
def sentiment_analysis(text):
    text = preprocess(text)
    encoded_input = tokenizer(text, return_tensors='pt')
    output = model(**encoded_input)
    scores_ = output[0][0].detach().numpy()
    scores_ = softmax(scores_)
    # Format output dict of scores
    labels = ['Negative', 'Neutral', 'Positive']
    scores = {l:float(s) for (l,s) in zip(labels, scores_) }
    return scores
```
'''


# In[119]:


with gr.Blocks() as demo:
    
    
    with gr.Row():
        with gr.Column():
            gr.Markdown(markdownn)   
            
        with gr.Column():
            gr.Markdown("""
            ### Sentiment analysis demo
            by [Created by @Vrooh933 Production](https://www.linkedin.com/in/m-afif-rizky-a-a96048182)
            """)
            text = gr.Text(label="Text")
            btn = gr.Button("Submit")
        
            sparse_answers = gr.Label(label="label")
            
            gr.Examples([[example_sentence_1], [example_sentence_2],
                         [example_sentence_3], [example_sentence_4]], inputs = [text])
            

    btn.click(
        sentiment_analysis,
        inputs=[text],
        outputs=[sparse_answers],
        api_name="addition"
    )


if __name__ == "__main__":
    demo.launch()


# In[ ]: