Update README.md

README.md

@@ -20,7 +20,6 @@ datasets:
 โมเดลสำหรับวิเคราะห์อารมณ์ (2 คลาส: NEG/POS) ภาษาไทย โดยใช้ **WangchanBERTa** เป็น backbone และเพิ่มหัว (heads) แบบ LSTM/CNN-LSTM หลายสถาปัตยกรรมสำหรับเปรียบเทียบและใช้งานตามบริบท
 
 รีโปนี้บรรจุโมเดล 4 ตัว (เก็บเป็นโฟลเดอร์ย่อย):
-
 - `WCB/` — WangchanBERTa (ใช้ [CLS])
 - `WCB_BiLSTM/` — WangchanBERTa → BiLSTM → Pooling
 - `WCB_CNN_BiLSTM/` — WangchanBERTa → CNN → BiLSTM → Pooling
@@ -28,6 +27,8 @@ datasets:
 
 แต่ละโฟลเดอร์มี `model.safetensors` และ `config.json` (เมตาดาต้า: `id2label/label2id`, `max_length`, `pooling_after_lstm`, `base_model`)
 
+---
+
 ## สรุปผลการประเมิน (5-fold CV)
 
 | Model | Accuracy (%) | F1-Score (%) | AUC (%) |
@@ -43,6 +44,7 @@ datasets:
 - **เร็ว/เสถียร**: `WCB` เร็วที่สุดและเสถียรสุด เหมาะงานทรัพยากรจำกัด.  
 
 ### เวลาเทรน (โดยเฉลี่ย)
+
 | Model | วินาที/รอบ | เวลารวม (ชม.) |
 |---|---:|---:|
 | WCB | 54.67 | 4.58 |
@@ -50,14 +52,24 @@ datasets:
 | WCB_CNN_BiLSTM | 68.72 | 5.76 |
 | WCB_4Layer_BiLSTM | 72.91 | 6.11 |
 
+---
+
 ## โครงสร้างรีโป
 
 ```
 .
 ├─ WCB/
+│  ├─ model.safetensors
+│  └─ config.json
 ├─ WCB_BiLSTM/
+│  ├─ model.safetensors
+│  └─ config.json
 ├─ WCB_CNN_BiLSTM/
+│  ├─ model.safetensors
+│  └─ config.json
 ├─ WCB_4Layer_BiLSTM/
+│  ├─ model.safetensors
+│  └─ config.json
 ├─ common/
 │  ├─ models.py
 │  └─ __init__.py
@@ -66,34 +78,291 @@ datasets:
 └─ README.md
 ```
 
+---
+
 ## วิธีใช้งาน
 
+### 🔧 ติดตั้ง Dependencies
+
+```bash
+pip install torch transformers huggingface-hub safetensors
+```
+
+### 📦 วิธีที่ 1: โหลดโมเดลจาก Hugging Face Hub (แนะนำ)
+
 ```python
 import torch
-from common.models import load_model
+import torch.nn.functional as F
+from transformers import AutoTokenizer
+from huggingface_hub import hf_hub_download
+from safetensors.torch import load_file
+import json
+import importlib.util
+
+# ===== ตั้งค่า =====
+REPO_ID = "Dusit-P/thai-sentiment"  # เปลี่ยนเป็น repo ของคุณ
+MODEL_NAME = "WCB_BiLSTM"  # เลือก: WCB, WCB_BiLSTM, WCB_CNN_BiLSTM, WCB_4Layer_BiLSTM
+
+# ===== 1. ดาวน์โหลดไฟล์จำเป็น =====
+config_path = hf_hub_download(REPO_ID, filename=f"{MODEL_NAME}/config.json")
+weights_path = hf_hub_download(REPO_ID, filename=f"{MODEL_NAME}/model.safetensors")
+models_py = hf_hub_download(REPO_ID, filename="common/models.py")
+
+# ===== 2. โหลด config =====
+with open(config_path, "r", encoding="utf-8") as f:
+    config = json.load(f)
+
+# ===== 3. โหลด tokenizer =====
+base_model = config.get("base_model", "airesearch/wangchanberta-base-att-spm-uncased")
+tokenizer = AutoTokenizer.from_pretrained(base_model)
+
+# ===== 4. โหลดโมเดล =====
+# Import models.py
+spec = importlib.util.spec_from_file_location("models", models_py)
+models = importlib.util.module_from_spec(spec)
+spec.loader.exec_module(models)
+
+# สร้างโมเดล
+architecture = config.get("architecture", MODEL_NAME)
+num_labels = config.get("num_labels", 2)
+pooling = config.get("pooling_after_lstm", "masked_mean")
+
+model = models._build(architecture, base_model, num_labels, pooling)
+
+# โหลด weights
+state_dict = load_file(weights_path)
+model.load_state_dict(state_dict, strict=False)
+model.eval()
+
+# ===== 5. ทำนาย =====
+text = "มือถือรุ่นนี้ดีมาก ราคาคุ้มค่า แนะนำเลย!"
 
+# Tokenize
+inputs = tokenizer(
+    text,
+    truncation=True,
+    padding=True,
+    max_length=config.get("max_length", 128),
+    return_tensors="pt"
+)
+
+# Predict
+with torch.no_grad():
+    logits = model(inputs["input_ids"], inputs["attention_mask"])
+    probs = F.softmax(logits, dim=1)[0]
+    pred_id = torch.argmax(logits, dim=1).item()
+
+# แสดงผล
+id2label = {int(k): v for k, v in config["id2label"].items()}
+print(f"Text: {text}")
+print(f"Prediction: {id2label[pred_id]}")
+print(f"Probabilities: NEG={probs[0]:.4f}, POS={probs[1]:.4f}")
+```
+
+**Output ตัวอย่าง:**
+```
+Text: มือถือรุ่นนี้ดีมาก ราคาคุ้มค่า แนะนำเลย!
+Prediction: positive
+Probabilities: NEG=0.0234, POS=0.9766
+```
+
+---
+
+### 📦 วิธีที่ 2: Clone Repo แล้วใช้งาน
+
+```bash
+git clone https://huggingface.co/Dusit-P/thai-sentiment
+cd thai-sentiment
+pip install -r requirements.txt
+```
+
+```python
+import torch
+import torch.nn.functional as F
+from transformers import AutoTokenizer
+from safetensors.torch import load_file
+from common.models import _build
+import json
+
+# ===== เลือกโมเดล =====
 MODEL_DIR = "WCB_BiLSTM"
 
-tokenizer, model, cfg = load_model(MODEL_DIR)
-text = "มือถือรุ่นนี้ดีมาก ราคาคุ้มค่า"
+# ===== โหลด config =====
+with open(f"{MODEL_DIR}/config.json", "r") as f:
+    config = json.load(f)
+
+# ===== โหลด tokenizer =====
+base_model = config.get("base_model", "airesearch/wangchanberta-base-att-spm-uncased")
+tokenizer = AutoTokenizer.from_pretrained(base_model)
+
+# ===== โหลดโมเดล =====
+model = _build(
+    config.get("architecture", MODEL_DIR),
+    base_model,
+    config.get("num_labels", 2),
+    config.get("pooling_after_lstm", "masked_mean")
+)
+
+state_dict = load_file(f"{MODEL_DIR}/model.safetensors")
+model.load_state_dict(state_dict, strict=False)
+model.eval()
+
+# ===== ทำนาย =====
+text = "ของแพงไป คุณภาพไม่คุ้มราคา"
+
+inputs = tokenizer(
+    text,
+    truncation=True,
+    padding=True,
+    max_length=config.get("max_length", 128),
+    return_tensors="pt"
+)
 
-enc = tokenizer(text, truncation=True, padding=True,
-                return_tensors="pt", max_length=cfg.get("max_length", 128))
 with torch.no_grad():
-    logits = model(enc["input_ids"], enc["attention_mask"])
-    probs = torch.softmax(logits, dim=1)[0].tolist()
-    pred_id = int(torch.argmax(logits, dim=1))
+    logits = model(inputs["input_ids"], inputs["attention_mask"])
+    probs = F.softmax(logits, dim=1)[0]
+    pred_id = torch.argmax(logits, dim=1).item()
+
+id2label = {int(k): v for k, v in config["id2label"].items()}
+print(f"Prediction: {id2label[pred_id]}")
+print(f"Probabilities: {probs}")
+```
+
+---
+
+### 📦 วิธีที่ 3: ทำนายหลายข้อความพร้อมกัน (Batch Prediction)
+
+```python
+import torch
+import torch.nn.functional as F
+from transformers import AutoTokenizer
+from huggingface_hub import hf_hub_download
+from safetensors.torch import load_file
+import json
+import importlib.util
+
+# ===== Setup =====
+REPO_ID = "Dusit-P/thai-sentiment"
+MODEL_NAME = "WCB_BiLSTM"
+
+# ===== โหลดโมเดล (ตามวิธีที่ 1) =====
+config_path = hf_hub_download(REPO_ID, filename=f"{MODEL_NAME}/config.json")
+weights_path = hf_hub_download(REPO_ID, filename=f"{MODEL_NAME}/model.safetensors")
+models_py = hf_hub_download(REPO_ID, filename="common/models.py")
+
+with open(config_path, "r") as f:
+    config = json.load(f)
+
+base_model = config.get("base_model", "airesearch/wangchanberta-base-att-spm-uncased")
+tokenizer = AutoTokenizer.from_pretrained(base_model)
+
+spec = importlib.util.spec_from_file_location("models", models_py)
+models = importlib.util.module_from_spec(spec)
+spec.loader.exec_module(models)
+
+model = models._build(
+    config.get("architecture", MODEL_NAME),
+    base_model,
+    config.get("num_labels", 2),
+    config.get("pooling_after_lstm", "masked_mean")
+)
+
+state_dict = load_file(weights_path)
+model.load_state_dict(state_dict, strict=False)
+model.eval()
+
+# ===== ทำนายหลายข้อความ =====
+texts = [
+    "อาหารอร่อยมาก บริการดีมาก",
+    "ของแพงไป รสชาติก็ธรรมดา",
+    "บรรยากาศดี แต่รอนานไป",
+    "คุ้มค่ามาก แนะนำเลย"
+]
+
+# Tokenize batch
+inputs = tokenizer(
+    texts,
+    truncation=True,
+    padding=True,
+    max_length=config.get("max_length", 128),
+    return_tensors="pt"
+)
+
+# Predict batch
+with torch.no_grad():
+    logits = model(inputs["input_ids"], inputs["attention_mask"])
+    probs = F.softmax(logits, dim=1)
+    pred_ids = torch.argmax(logits, dim=1)
+
+# แสดงผล
+id2label = {int(k): v for k, v in config["id2label"].items()}
 
-id2label = {int(k): v for k, v in cfg["id2label"].items()}
-print("label:", id2label[pred_id], "probs:", probs)
+print("=" * 70)
+for i, text in enumerate(texts):
+    label = id2label[pred_ids[i].item()]
+    neg_prob = probs[i][0].item()
+    pos_prob = probs[i][1].item()
+    
+    print(f"Text: {text}")
+    print(f"  → Prediction: {label}")
+    print(f"  → Confidence: NEG={neg_prob:.4f}, POS={pos_prob:.4f}")
+    print("-" * 70)
 ```
 
+**Output ตัวอย่าง:**
+```
+======================================================================
+Text: อาหารอร่อยมาก บริการดีมาก
+  → Prediction: positive
+  → Confidence: NEG=0.0156, POS=0.9844
+----------------------------------------------------------------------
+Text: ของแพงไป รสชาติก็��รรมดา
+  → Prediction: negative
+  → Confidence: NEG=0.8923, POS=0.1077
+----------------------------------------------------------------------
+Text: บรรยากาศดี แต่รอนานไป
+  → Prediction: positive
+  → Confidence: NEG=0.3421, POS=0.6579
+----------------------------------------------------------------------
+Text: คุ้มค่ามาก แนะนำเลย
+  → Prediction: positive
+  → Confidence: NEG=0.0089, POS=0.9911
+----------------------------------------------------------------------
+```
+
+---
+
 ## เลือกโมเดลให้เหมาะงาน
 
-- **ต้องการความแม่นยำสูงสุด** → `WCB_BiLSTM`  
-- **ทรัพยากรจำกัด/ต้องการความเร็ว** → `WCB`  
-- **โฟกัส AUC/การจัดอันดับความเสี่ยง** → `WCB_CNN_BiLSTM`  
-- **สมดุลโดยรวม** → `WCB_4Layer_BiLSTM`  
+| Use Case | โมเดลที่แนะนำ | เหตุผล |
+|----------|--------------|--------|
+| **ต้องการความแม่นยำสูงสุด** | `WCB_BiLSTM` | Acc/F1 สูงสุด (90.93% / 90.54%) |
+| **ทรัพยากรจำกัด / ต้องการความเร็ว** | `WCB` | เร็วที่สุด (54.67 วิ/รอบ) และเสถียรสุด |
+| **โฟกัส AUC / การจัดอันดับ** | `WCB_CNN_BiLSTM` | AUC สูงสุด (95.83%) และเสถียร |
+| **สมดุลโดยรวม** | `WCB_4Layer_BiLSTM` | ประสิทธิภาพดีรอบด้าน |
+
+---
+
+## 🚀 Demo Application
+
+ลองใช้งานโมเดลผ่าน Gradio Demo:
+- **URL:** [https://huggingface.co/spaces/Dusit-P/thai-sentiment-demo](https://huggingface.co/spaces/Dusit-P/thai-sentiment-demo)
+
+---
+
+## 📄 License
 
-## License
 Apache-2.0
+
+---
+
+## 🙏 Acknowledgments
+
+- **WangchanBERTa**: [airesearch/wangchanberta-base-att-spm-uncased](https://huggingface.co/airesearch/wangchanberta-base-att-spm-uncased)
+- **Dataset**: [wisesight_sentiment](https://huggingface.co/datasets/wisesight_sentiment)
+
+---
+
+## 📧 Contact
+
+หากมีคำถามหรือข้อเสนอแนะ กรุณาติดต่อผ่าน [GitHub Issues](https://github.com/your-repo/issues)