app.py

import gradio as gr
import torch
import torch.nn as nn
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel
from huggingface_hub import hf_hub_download

# Model sınıfını tanımla
class HistTurkSentiment(nn.Module):
    def __init__(self):
        super().__init__()
        self.bert = AutoModel.from_pretrained('dbmdz/bert-base-turkish-cased', add_pooling_layer=False)
        hidden_size = self.bert.config.hidden_size
        
        self.multihead_attn = nn.MultiheadAttention(hidden_size, 8, dropout=0.1)
        self.layer_norm1 = nn.LayerNorm(hidden_size)
        self.layer_norm2 = nn.LayerNorm(hidden_size * 2)
        
        self.context_fusion = nn.Sequential(
            nn.Linear(hidden_size * 2, hidden_size), 
            nn.LayerNorm(hidden_size), 
            nn.GELU(),
            nn.Dropout(0.1), 
            nn.Linear(hidden_size, hidden_size), 
            nn.LayerNorm(hidden_size)
        )
        
        self.sentiment_classifier = nn.Sequential(
            nn.Linear(hidden_size, hidden_size // 2), 
            nn.LayerNorm(hidden_size // 2), 
            nn.GELU(), 
            nn.Dropout(0.1), 
            nn.Linear(hidden_size // 2, 3)
        )
    
    def forward(self, input_ids, attention_mask):
        outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask, output_hidden_states=True)
        
        # Layer ensemble
        layers = torch.stack(outputs.hidden_states[-4:])
        weights = torch.tensor([0.1, 0.2, 0.3, 0.4], device=input_ids.device).view(4, 1, 1, 1)
        final_output = (layers * weights).sum(dim=0)
        
        # Embeddings
        cls_emb = F.normalize(final_output[:, 0, :], p=2, dim=1)
        mask = attention_mask.unsqueeze(-1).float()
        mean_emb = F.normalize((final_output * mask).sum(dim=1) / mask.sum(dim=1).clamp(min=1e-9), p=2, dim=1)
        
        # Attention
        q, k, v = cls_emb.unsqueeze(0), final_output.transpose(0, 1), final_output.transpose(0, 1)
        attn_out = self.multihead_attn(q, k, v)[0].squeeze(0)
        attn_out = self.layer_norm1(attn_out + cls_emb)
        
        # Fusion
        combined = self.layer_norm2(torch.cat([attn_out, mean_emb], dim=1))
        fused = self.context_fusion(combined)
        return self.sentiment_classifier(fused)

# Global değişkenler
tokenizer = None
model = None

def load_model():
    """Model ve tokenizer'ı yükle (bir kez)"""
    global tokenizer, model
    
    if model is None:
        print("Model yükleniyor...")
        
        # Tokenizer yükle
        tokenizer = AutoTokenizer.from_pretrained("dbbiyte/histurk-BERTurk-sentiment")
        
        # Model oluştur
        model = HistTurkSentiment()
        
        # Weights indir ve yükle
        weights_path = hf_hub_download("dbbiyte/histurk-BERTurk-sentiment", "pytorch_model.bin")
        model.load_state_dict(torch.load(weights_path, map_location='cpu'))
        model.eval()
        
        print("Model başarıyla yüklendi!")

def predict_sentiment(text):
    """Ana tahmin fonksiyonu"""
    
    # Boş metin kontrolü
    if not text or not text.strip():
        return "❌ Lütfen analiz edilecek bir metin girin!"
    
    try:
        # Model yükle (ilk kez çağırıldığında)
        load_model()
        
        # Tokenize et
        inputs = tokenizer(
            text, 
            return_tensors="pt", 
            truncation=True, 
            padding=True,
            max_length=256, 
            return_token_type_ids=False
        )
        
        # Tahmin yap
        with torch.no_grad():
            logits = model(**inputs)
            probs = F.softmax(logits, dim=-1)
            pred_idx = probs.argmax().item()
            confidence = probs[0][pred_idx].item()
        
        # Sonuçları formatla
        labels = ["Negatif", "Nötr", "Pozitif"]
        icons = ["😞", "😐", "😊"]
        
        result_text = f"""
## 🎯 Analiz Sonucu

### {icons[pred_idx]} **{labels[pred_idx]}** Sentiment

**Güven Skoru:** %{confidence*100:.1f}

---

### 📊 Detaylı Skorlar:
- **Negatif:** %{probs[0][0].item()*100:.1f}
- **Nötr:** %{probs[0][1].item()*100:.1f}  
- **Pozitif:** %{probs[0][2].item()*100:.1f}
        """
        
        return result_text
        
    except Exception as e:
        return f"❌ **Hata oluştu:** {str(e)}"

# Gradio arayüzü
def create_interface():
    
    # CSS stilleri
    css = """
    .gradio-container {
        font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
    }
    .prose h2 {
        color: #2563eb;
        border-bottom: 2px solid #3b82f6;
        padding-bottom: 5px;
    }
    """
    
    # Örnek metinler - 20. yüzyıl başı Türkçesi ve modern karışımı
    examples = [
        # 20. yüzyıl başı Türkçesi örnekleri
        ["Bu müessif ahval-i hazıra karşısında kalbimin hüzn ü melali had ü hesaba gelmeyub, devlet-i aliyyenin bu derece inhitat ve tedennisi beni gayet müteessir ve mahzun eylemiştir."],
        ["Pek mübarek ve mes'ud bir gün idi. Cennet-mekan Padişahımızın cülus-ı hümayunları münasebetiyle bütün tebaası kemâl-i sürur ve şadmanlık içinde bulunuyordu."],
        ["Bu kitab-ı mufîdin mütalaasından istifade-i azîme hâsıl olmuş ve ilm ü marifetimde tezayüd vuku bulmuştur. Müellif-i muhteremi hakkında duâ-yı hayr ile yâd eylerim."],
        ["Böyle bir hâdise-i elîmenin vukuu beni pek müteessir etmiş ve kalb-i âcizanemde derin bir teessür bırakmıştır. Allah her müslümânı böyle belâlardan muhafaza buyursun."],
        ["İş bu mes'ele-i mühimme hakkında düşündükçe efkâr-ı âcizanem daha ziyade karışmakta ve ne suretle hal edilebileceğini tayin edemez bir hale gelmekteyim."]
        
    ]
    
    # Arayüz oluştur
    interface = gr.Interface(
        fn=predict_sentiment,
        inputs=gr.Textbox(
            label="📝 Analiz Edilecek Metin",
            placeholder="Duygu analizini yapmak istediğiniz Türkçe metni buraya yazın...",
            lines=4,
            max_lines=10
        ),
        outputs=gr.Markdown(
            label="🎯 Analiz Sonucu"
        ),
        title="🤖 histurk-BERTurk-Sentiment Modeli Demosudur",
        description="""
        Bu uygulama, **Tarihi Türkçe-Osmanlıca metinler** için özel olarak geliştirilmiş BERT tabanlı bir sentiment analizi modeli kullanır.
        
        ### 🕰️ Tarihi Metin Desteği:
        • 20. yüzyıl başı Osmanlı Türkçesi  
        • Geçiş dönemi metinleri  
        • Modern Türkçe metinler
        
        ### 📚 Örnek Kullanım Alanları:
        • Tarihi belgeler ve mektuplar 
        • Hatıratlar, biyografiler 
        • Gazete arşivleri (1900-1950)  
        • Edebi eserler  
        • Sosyal medya ve modern metinler
        
        ### 🎯 Özellikler:
        • Tarihi dil yapılarını anlayabilir  
        • Osmanlıca kelime ve tamlamaları tanır  
        • Gerçek zamanlı analiz  
        • Detaylı güven skorları
        
        **Model:** `dbbiyte/histurk-BERTurk-sentiment`
        """,
        
        examples=examples,
        cache_examples=False,
        theme=gr.themes.Soft(
            primary_hue="blue",
            secondary_hue="gray"
        ),
        css=css,
        allow_flagging="never"
    )
    
    return interface

# Uygulamayı başlat
if __name__ == "__main__":
    print("🚀 HistTürk Duygu Analizi başlatılıyor...")
    
    interface = create_interface()
    interface.launch(
        share=False,
        server_name="0.0.0.0",
        server_port=7860
    )