Spaces:
Sleeping
Sleeping
File size: 2,340 Bytes
aea8a58 3124c7f aea8a58 1797737 aea8a58 1797737 bc250cb aea8a58 1797737 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 |
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
import torch.nn.functional as F
import gradio as gr
model_name = "gravitee-io/bert-small-toxicity"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
model.eval()
labels = model.config.id2label
def detecter_toxicite(texte):
"""
Détecte les types de toxicité dans un texte donné en utilisant le modèle BERT.
Retourne un dictionnaire avec chaque label de toxicité et son score de probabilité.
"""
# 3. Préparer l'entrée (Tokenization)
# Le modèle BERT attend des identifiants de tokens et un masque d'attention
inputs = tokenizer(texte, return_tensors="pt", truncation=True, padding=True, max_length=512)
# 4. Exécuter l'inférence (sur CPU par défaut)
with torch.no_grad(): # Désactiver le calcul des gradients pour l'inférence
outputs = model(**inputs)
# 5. Post-traitement des sorties
# Les sorties sont des logits (scores bruts). Nous devons les convertir en probabilités.
logits = outputs.logits
probabilities = F.softmax(logits, dim=1)
resultats = {}
output = "Scores de toxicité :\n"
for i, label_id in enumerate(model.config.id2label):
label_name = model.config.id2label[label_id]
score = probabilities[0][i].item() # .item() pour obtenir la valeur Python standard
output += f" - {label_name}: {score:.4f}\n"
resultats[label_name.lower()] = score
# Exemple de décision basée sur un seuil
seuil_toxicite = 0.2 # Définissez votre propre seuil
est_toxique = resultats["toxic"] > resultats["not-toxic"]
if est_toxique:
output += f"Verdict : TOXIQUE (score > {seuil_toxicite})\n"
else:
output += f"Verdict : NON TOXIQUE (aucun score > {seuil_toxicite})\n"
return output
with gr.Blocks() as ui:
gr.Markdown("# Test modération")
with gr.Tab("Modération de texte"):
text_input = gr.Textbox(label="Prompt", placeholder="Je suis le text a modérer", lines=4, scale=2)
text_output = gr.Textbox(label="Résultat Modération", lines=4, scale=2)
text_btn = gr.Button("Générer")
text_btn.click(detecter_toxicite, inputs=text_input, outputs=text_output)
ui.launch() |