Upload app.py

app.py

@@ -0,0 +1,62 @@
+import streamlit as st
+from transformers import AutoModelForSequenceClassification
+from transformers import AutoTokenizer
+import torch
+import pandas as pd
+import numpy as np
+
+# import os
+
+# os.environ['KMP_DUPLICATE_LIB_OK']='True'
+
+st.markdown("### Some Model")
+# st.markdown("<img width=200px src='https://rozetked.me/images/uploads/dwoilp3BVjlE.jpg'>", unsafe_allow_html=True)
+# ^-- можно показывать пользователю текст, картинки, ограниченное подмножество html - всё как в jupyter
+loaded_tokenizer = AutoTokenizer.from_pretrained("test_model")
+loaded_model = AutoModelForSequenceClassification.from_pretrained("test_model")
+
+
+# title_text = st.text_area("TITLE HERE")
+# ^-- показать текстовое поле. В поле text лежит строка, которая находится там в данный момент
+
+# from transformers import pipeline
+# pipe = pipeline("ner", "Davlan/distilbert-base-multilingual-cased-ner-hrl")
+# raw_predictions = pipe(text)
+# # тут уже знакомый вам код с huggingface.transformers -- его можно заменить на что угодно от fairseq до catboost
+
+# st.markdown(f"{raw_predictions}")
+# # выводим результаты модели в текстовое поле, на потеху пользователю
+
+# title_text = st.text_area("TITLE HERE", "input your title")
+title_text = st.text_input("TITLE HERE")
+summary_text = st.text_area("SUMMARY HERE")
+text = title_text + " " + summary_text
+
+title_input = loaded_tokenizer(title_text, padding="max_length", truncation=True, return_tensors='pt')
+with torch.no_grad():
+    title_res = loaded_model(**title_input)
+title_probs = torch.softmax(title_res.logits, dim=1).cpu().numpy()[0]
+st.markdown(" ".join(str(x) for x in list(title_probs)))
+
+
+summary_input = loaded_tokenizer(summary_text, padding="max_length", truncation=True, return_tensors='pt')
+with torch.no_grad():
+    summary_res = loaded_model(**summary_input)
+summary_probs = torch.softmax(summary_res.logits, dim=1).cpu().numpy()[0]
+st.markdown(" ".join(str(x) for x in list(summary_probs)))
+
+
+text_input = loaded_tokenizer(text, padding="max_length", truncation=True, return_tensors='pt')
+with torch.no_grad():
+    text_res = loaded_model(**text_input)
+text_probs = torch.softmax(text_res.logits, dim=1).cpu().numpy()[0]
+st.markdown(" ".join(str(x) for x in list(text_probs)))
+
+
+probs = np.stack([title_probs, summary_probs, text_probs], axis=1)
+
+chart_data = pd.DataFrame(
+    probs,
+    columns=["title", "summary", "title + summary"])
+
+st.bar_chart(chart_data)