Spaces:

eduardmtz
/

www

Running

App Files Files Community

eduardmtz commited on Dec 18, 2024

Commit

2bcab4f

verified ·

1 Parent(s): 930d0f4

Update test1.html

Browse files

Files changed (1) hide show

test1.html +23 -95

test1.html CHANGED Viewed

@@ -1,4 +1,5 @@
 <!DOCTYPE html>
 <html lang="es">
 <head>
     <meta charset="UTF-8">
@@ -27,21 +28,16 @@
     <div id="respuesta"></div>
     <script>
-        // Variable global para almacenar el modelo
-        let modelo;
         // Cargar y procesar el archivo PDF
         async function procesarPDF() {
             const archivo = document.getElementById("pdfInput").files[0];
             if (archivo) {
                 const archivoPDF = await leerPDF(archivo);
-                const textoPDF = archivoPDF.join(" ");
-                // Entrenar el modelo con el texto extraído
-                modelo = await entrenarModelo(textoPDF);
-                // Almacenar los pesos del modelo en IndexedDB
-                almacenarPesosEnIndexedDB(modelo);
             }
         }
@@ -66,97 +62,28 @@
             });
         }
-        // Función para entrenar un modelo simple (esto es solo un ejemplo)
-        async function entrenarModelo(textoPDF) {
-            // Utilizar el texto extraído del PDF para crear un modelo simple
-            const inputs = tf.tensor([textoPDF.length]);
-            // Crear un modelo simple
-            const modelo = tf.sequential();
-            modelo.add(tf.layers.dense({ units: 64, inputShape: [1] }));
-            modelo.add(tf.layers.dense({ units: 32 }));
-            modelo.add(tf.layers.dense({ units: 1, activation: 'sigmoid' }));
-            modelo.compile({ optimizer: 'adam', loss: 'binaryCrossentropy' });
-            await modelo.fit(inputs, inputs, { epochs: 10 });
-            return modelo;
-        }
-        // Almacenar los pesos del modelo en IndexedDB
-        async function almacenarPesosEnIndexedDB(modelo) {
-            const pesos = await modelo.getWeights();
-            const request = indexedDB.open("ModeloPDF", 1);
-            request.onupgradeneeded = function (event) {
-                const db = event.target.result;
-                if (!db.objectStoreNames.contains("modelos")) {
-                    db.createObjectStore("modelos");
-                }
-            };
-            request.onsuccess = function (event) {
-                const db = event.target.result;
-                const transaction = db.transaction(["modelos"], "readwrite");
-                const store = transaction.objectStore("modelos");
-                // Convertir los pesos a un formato serializable (por ejemplo, a un array de floats)
-                const pesosSerializados = pesos.map(peso => peso.arraySync());
-                store.put(pesosSerializados, "modeloPesos");
-                transaction.oncomplete = function () {
-                    console.log("Pesos del modelo almacenados en IndexedDB");
-                };
-            };
-        }
-        // Cargar los pesos desde IndexedDB y restaurar el modelo
-        async function cargarModeloDesdeIndexedDB() {
-            const request = indexedDB.open("ModeloPDF", 1);
-            return new Promise((resolve, reject) => {
-                request.onsuccess = function (event) {
-                    const db = event.target.result;
-                    const transaction = db.transaction(["modelos"], "readonly");
-                    const store = transaction.objectStore("modelos");
-                    const getRequest = store.get("modeloPesos");
-                    getRequest.onsuccess = async function () {
-                        const pesosSerializados = getRequest.result;
-                        if (pesosSerializados) {
-                            const pesos = pesosSerializados.map(peso => tf.tensor(peso));
-                            // Crear un nuevo modelo con los pesos cargados
-                            const modelo = tf.sequential();
-                            modelo.add(tf.layers.dense({ units: 64, inputShape: [1] }));
-                            modelo.add(tf.layers.dense({ units: 32 }));
-                            modelo.add(tf.layers.dense({ units: 1, activation: 'sigmoid' }));
-                            modelo.setWeights(pesos);
-                            resolve(modelo);
-                        } else {
-                            reject("No se encontraron pesos para el modelo.");
-                        }
-                    };
-                    getRequest.onerror = reject;
-                };
-                request.onerror = reject;
-            });
-        }
-        // Función para responder una pregunta utilizando el modelo
-        async function responderPregunta() {
             const pregunta = document.getElementById("inputPregunta").value;
-            if (!modelo) {
-                // Si no hay modelo, intentar cargarlo desde IndexedDB
-                modelo = await cargarModeloDesdeIndexedDB();
             }
-            if (modelo && pregunta) {
-                // Aquí usamos un enfoque simple para tokenizar la pregunta
-                const tokens = pregunta.split(" "); // Simple división en palabras
-                const input = tf.tensor([tokens.length]);
-                const prediccion = modelo.predict(input);
-                document.getElementById("respuesta").innerText = `Respuesta: ${prediccion.dataSync()}`;
             } else {
-                alert("Por favor, cargue el PDF y entrene el modelo primero.");
             }
         }
     </script>
@@ -165,3 +92,4 @@

 <!DOCTYPE html>
+<!DOCTYPE html>
 <html lang="es">
 <head>
     <meta charset="UTF-8">
     <div id="respuesta"></div>
     <script>
+        // Variable global para almacenar el texto del PDF
+        let textoPDF = "";
         // Cargar y procesar el archivo PDF
         async function procesarPDF() {
             const archivo = document.getElementById("pdfInput").files[0];
             if (archivo) {
                 const archivoPDF = await leerPDF(archivo);
+                textoPDF = archivoPDF.join(" ");
+                alert("PDF cargado y procesado.");
             }
         }
             });
         }
+        // Función para responder una pregunta utilizando el texto del PDF
+        function responderPregunta() {
             const pregunta = document.getElementById("inputPregunta").value;
+            if (!textoPDF) {
+                alert("Por favor, cargue un PDF primero.");
+                return;
             }
+            // Tokenizar la pregunta en palabras clave
+            const palabrasClave = pregunta.toLowerCase().split(" ");
+            // Buscar frases que contengan las palabras clave
+            const frases = textoPDF.split(".");
+            const frasesRelevantes = frases.filter(frase => {
+                return palabrasClave.some(palabra => frase.toLowerCase().includes(palabra));
+            });
+            if (frasesRelevantes.length > 0) {
+                // Devolver la primera frase relevante
+                document.getElementById("respuesta").innerText = "Respuesta: " + frasesRelevantes[0];
             } else {
+                document.getElementById("respuesta").innerText = "No se encontraron respuestas relevantes.";
             }
         }
     </script>