Update app.py

app.py

@@ -1,39 +1,14 @@
 import gradio as gr
-from transformers import AutoTokenizer, AutoModelForSequenceClassification
-import torch
+from transformers import pipeline
 
-# Model ve Tokenizer'ı yükleme
-MODEL_NAME = "GoshawkVortexAI/Goshawk_Finbert"  # Goshawk FinBERT modelini kullanacağız
-tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, use_auth_token=True)
-model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME, use_auth_token=True)
+# DistilBERT modelini yükle
+model = pipeline("sentiment-analysis", model="distilbert-base-uncased")
 
-# Sentiment analizi fonksiyonu
 def analyze_sentiment(text):
-    # Verilen metni tokenize et
-    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)
+    return model(text)
 
-    # CPU'da çalışacak şekilde modelin inference yapmasını sağlıyoruz
-    with torch.no_grad():
-        outputs = model(**inputs)
-    
-    # Modelin çıktısını al (logits)
-    logits = outputs.logits
-    predicted_class = torch.argmax(logits, dim=-1).item()
-    
-    # Sentiment sınıfını belirle
-    if predicted_class == 0:
-        return "Negative"
-    elif predicted_class == 1:
-        return "Neutral"
-    else:
-        return "Positive"
+# Gradio arayüzünü oluştur
+iface = gr.Interface(fn=analyze_sentiment, inputs="text", outputs="json")
 
-# Gradio arayüzü
-iface = gr.Interface(fn=analyze_sentiment, 
-                     inputs="text", 
-                     outputs="text", 
-                     title="Financial Sentiment Analysis",
-                     description="Enter a financial text, and the model will analyze its sentiment (Positive, Neutral, or Negative).")
-
-# Uygulamayı başlat
-iface.launch()
+# CPU üzerinde çalışacak şekilde başlat
+iface.launch(share=False)