Update README.md

README.md

@@ -30,3 +30,134 @@ Pour utiliser ce modèle, vous devez charger les fichiers `Betisy-Detectena_weig
 * `Betisy-Detectena_tokenizer.joblib` : Le tokenizer utilisé pour le pré-traitement du texte.
 
 ---
+
+exemple d'inférence :
+
+```
+# ==============================================================================
+# CODE D'INFÉRENCE SIMPLIFIÉ POUR BETISY-DETECTENA
+# Objectif : Charger le modèle PyTorch et prédire le label (0: Fait, 1: Bêtise)
+# ==============================================================================
+
+# --- 1. IMPORTS ET CONFIGURATION ---
+
+import torch
+import torch.nn as nn
+import joblib
+from huggingface_hub import hf_hub_download
+from transformers import AutoTokenizer
+
+# VOTRE IDENTIFIANT DE DÉPÔT HUGBING FACE
+REPO_ID = "Clemylia/Betisy-Detectena"
+
+# Hyperparamètres DÉFINITIFS de votre modèle (DOIVENT correspondre à l'entraînement)
+EMBEDDING_DIM = 100
+HIDDEN_DIM = 64
+OUTPUT_DIM = 2
+MAX_LEN = 30
+MODEL_WEIGHTS_FILENAME = 'Betisy-Detectena_weights.pt'
+TOKENIZER_FILENAME = 'Betisy-Detectena_tokenizer.joblib'
+
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+print(f"Périphérique d'inférence : {device}")
+
+
+# --- 2. DÉFINITION DE L'ARCHITECTURE ---
+
+class SimpleClassifier(nn.Module):
+    """Architecture SimpleClassifier pour correspondre aux poids sauvegardés."""
+    def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim):
+        super(SimpleClassifier, self).__init__()
+        self.embedding = nn.Embedding(vocab_size, embedding_dim)
+        self.rnn = nn.LSTM(embedding_dim, hidden_dim, batch_first=True)
+        self.fc = nn.Linear(hidden_dim, output_dim)
+
+    def forward(self, input_ids):
+        embedded = self.embedding(input_ids) 
+        output, (hidden, cell) = self.rnn(embedded)
+        return self.fc(hidden[-1])
+
+
+# --- 3. FONCTION DE CHARGEMENT DU MODÈLE ---
+
+def load_betisy_detectena(repo_id, weights_name, tokenizer_name, embed_dim, hidden_dim, output_dim, device):
+    """Télécharge et charge le modèle complet depuis Hugging Face."""
+    
+    # 3a. Téléchargement des fichiers
+    print("⏳ Téléchargement des fichiers depuis Hugging Face...")
+    weights_path = hf_hub_download(repo_id=repo_id, filename=weights_name)
+    tokenizer_path = hf_hub_download(repo_id=repo_id, filename=tokenizer_name)
+    
+    # 3b. Chargement du Tokenizer
+    loaded_tokenizer = joblib.load(tokenizer_path)
+    VOCAB_SIZE = loaded_tokenizer.vocab_size
+    
+    # 3c. Reconstruction et chargement des poids
+    model = SimpleClassifier(VOCAB_SIZE, embed_dim, hidden_dim, output_dim).to(device)
+    model.load_state_dict(torch.load(weights_path, map_location=device))
+    model.eval() # Mode inférence
+    
+    print(f"✅ Modèle chargé avec {VOCAB_SIZE} tokens dans le vocabulaire.")
+    return model, loaded_tokenizer
+
+
+# --- 4. FONCTION D'INFÉRENCE ---
+
+def predict_betisy_detectena(text, model, tokenizer, max_len, device):
+    """Prédit le label pour une seule phrase."""
+    
+    # Tokenisation et préparation du tenseur
+    encoding = tokenizer.encode_plus(
+        text,
+        add_special_tokens=True,
+        max_length=max_len,
+        padding='max_length',
+        truncation=True,
+        return_tensors='pt',
+    )
+    
+    input_ids = encoding['input_ids'].to(device)
+    
+    # Inférence
+    with torch.no_grad():
+        outputs = model(input_ids)
+        probabilities = torch.softmax(outputs, dim=1)
+        confidence, prediction = torch.max(probabilities, dim=1)
+        
+    label = "Absurdité (1) 🤡" if prediction.item() == 1 else "Fait Factuel (0) ✅"
+    
+    return label, confidence.item()
+
+
+# ==============================================================================
+# CODE D'EXÉCUTION PRINCIPAL
+# ==============================================================================
+
+if __name__ == "__main__":
+    
+    # CHARGEMENT (étape 1)
+    model, tokenizer = load_betisy_detectena(
+        REPO_ID, 
+        MODEL_WEIGHTS_FILENAME, 
+        TOKENIZER_FILENAME, 
+        EMBEDDING_DIM, 
+        HIDDEN_DIM, 
+        OUTPUT_DIM, 
+        device
+    )
+
+    print("\n--- TEST D'INFÉRENCE ---")
+
+    phrases_a_tester = [
+        "Le ciel est bleu.",
+        "Les cailloux peuvent parler en chantant des airs d'opéra.",
+        "Mars est la quatrième planète du système solaire.",
+        "Le temps s'est arrêté hier à 15h00 pour la sieste générale."
+    ]
+
+    # PRÉDICTION (étape 2)
+    for phrase in phrases_a_tester:
+        label, confidence = predict_betisy_detectena(phrase, model, tokenizer, MAX_LEN, device)
+        print(f"-> '{phrase}'")
+        print(f"   Prédiction : {label} (Confiance : {confidence*100:.2f}%)")
+```