Delete app.py

app.py

@@ -1,94 +0,0 @@
-import gradio as gr
-from transformers import AutoTokenizer, AutoModel
-import torch
-from torch import nn
-import torch.nn.functional as F
-
-
-# Creo la clase del modelo
-class RobertaModel(nn.Module):
-
-    def __init__(self, n_classes: int = 2):
-        super().__init__()
-        self.roberta = AutoModel.from_pretrained("xlm-roberta-base") #Modelo transformer
-        self.dropout = nn.Dropout(p=0.3) #Dropout para disminuir el overfitting
-        self.linear = nn.Linear(self.roberta.config.hidden_size, self.roberta.config.hidden_size) # 1er capa linear
-        self.classification = nn.Linear(self.roberta.config.hidden_size, n_classes) # 2da capa linear
-    
-    def forward(self, input_ids, attention_mask):
-        #Roberta layer
-        cls_output = self.roberta(input_ids=input_ids, attention_mask=attention_mask) 
-        pooled_output = torch.mean(cls_output.last_hidden_state, 1)
-
-        
-        # NN     
-        pooled_output = self.linear(pooled_output) # Primera capa
-        pooled_output = F.relu(pooled_output) # Funcion de activacion relu
-        pooled_output = self.dropout(pooled_output) # Dropout        
-        output = self.classification(pooled_output) #Segunda capa
-
-        return output
-
-model = RobertaModel()
-
-# Cargo los pesos ya entrenados del modelo
-
-model.load_state_dict(
-    torch.load(
-        f="Modelo_Amazon_review.pt",
-        map_location=torch.device("cpu") # Cambio modelo a cpu
-    )
-)
-
-# Cargo modelo para el Tokenizer
-        
-tokenizer = AutoTokenizer.from_pretrained('xlm-roberta-base')
-
-
-# Creo  funcion para predecir
-
-def predict(review_text):
-    pred = {}
-    
-    encoding_review = tokenizer.encode_plus(
-        review_text,
-        max_length = 250, #Maximo del larogo del texto
-        truncation = True, # Truncar texto
-        add_special_tokens = True, #Agregar tokens especiales
-        return_token_type_ids = False, # Que no devuelva los ids de esos tokens
-        padding = "max_length", # Que realice padding hasta el maximo alrgo
-        return_attention_mask = True, #Que devuelva la mascara de atencion
-        return_tensors = 'pt' # Que los tensores que devuelve sean Pytorch
-        )
-    
-    input_ids = encoding_review['input_ids']
-    attention_mask = encoding_review['attention_mask']
-    output = model(input_ids, attention_mask)    
-    _, prediction = torch.max(output, dim=1)
-    if prediction == 0:
-        pred["label"] = "Negativo"
-        pred["score"] = f"{torch.softmax(output, dim=1)[0][0].item()*100:.2f}%"
-    else:
-        pred["label"] = "Positivo"
-        pred["score"] = f"{torch.softmax(output, dim=1)[0][1].item()*100:.2f}%"
-    
-    return pred["label"], pred["score"]
-
-#  Funcion para crear interfaz
-
-
-
-amazon_app = gr.Interface(
-    fn=predict,
-    inputs=gr.inputs.Textbox(label="Introduce tu reseña aquí:", placeholder="Escribe aquí..."),
-    outputs=[gr.outputs.Label(label="Predicción"), gr.outputs.Label(label="Puntaje")],
-    title="Análisis de sentimientos de reseñas de productos en Español",
-    description="Ingresa una reseña de algun producto y obtén una predicción sobre si su sentimiento es positivo o negativo. (Max. 250 caracteres)",
-    theme=gr.themes.Soft(),
-    layout="vertical",    
-    allow_flagging=False,
-    analytics_enabled=True
-)
-
-# Ejecuta la aplicación
-amazon_app.launch()