Spaces:
Sleeping
Sleeping
Upload 2 files
Browse files- Dockerfile +2 -1
- app.py +21 -8
Dockerfile
CHANGED
|
@@ -11,8 +11,9 @@ RUN apt-get update && apt-get install -y \
|
|
| 11 |
COPY requirements.txt .
|
| 12 |
RUN pip install --no-cache-dir -r requirements.txt
|
| 13 |
|
| 14 |
-
# Copiar código
|
| 15 |
COPY app.py .
|
|
|
|
| 16 |
|
| 17 |
# Expor porta do HuggingFace Spaces
|
| 18 |
EXPOSE 7860
|
|
|
|
| 11 |
COPY requirements.txt .
|
| 12 |
RUN pip install --no-cache-dir -r requirements.txt
|
| 13 |
|
| 14 |
+
# Copiar código e arquivo de âncora
|
| 15 |
COPY app.py .
|
| 16 |
+
COPY anchor_gold_vector.pt .
|
| 17 |
|
| 18 |
# Expor porta do HuggingFace Spaces
|
| 19 |
EXPOSE 7860
|
app.py
CHANGED
|
@@ -60,19 +60,32 @@ sbert_model.eval()
|
|
| 60 |
# Sistema de Âncora de Qualidade
|
| 61 |
# ================================
|
| 62 |
|
| 63 |
-
#
|
| 64 |
-
|
| 65 |
-
|
| 66 |
-
|
| 67 |
-
|
| 68 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 69 |
# Carregar o centróide pré-calculado do seu dataset de ouro
|
| 70 |
ANCHOR_EMBEDDING = torch.load(ANCHOR_FILE_PATH, map_location=device)
|
| 71 |
-
print(f"✅ Vetor âncora carregado
|
| 72 |
print(f" Shape: {ANCHOR_EMBEDDING.shape}")
|
| 73 |
else:
|
| 74 |
# Fallback: calcular de exemplos hardcoded se arquivo não existir
|
| 75 |
-
print("⚠️ Arquivo de âncora não encontrado
|
|
|
|
|
|
|
| 76 |
FALLBACK_EXAMPLES = [
|
| 77 |
"Este artigo apresenta uma análise detalhada dos métodos de aprendizado de máquina aplicados à visão computacional, com resultados quantitativos robustos.",
|
| 78 |
"O estudo demonstra correlação significativa entre as variáveis analisadas, utilizando metodologia rigorosa e amostra representativa.",
|
|
|
|
| 60 |
# Sistema de Âncora de Qualidade
|
| 61 |
# ================================
|
| 62 |
|
| 63 |
+
# Possíveis caminhos do arquivo de âncora (HuggingFace Spaces pode variar)
|
| 64 |
+
POSSIBLE_ANCHOR_PATHS = [
|
| 65 |
+
"anchor_gold_vector.pt", # Mesmo diretório
|
| 66 |
+
"/app/anchor_gold_vector.pt", # Docker padrão
|
| 67 |
+
"/home/user/app/anchor_gold_vector.pt", # HF Spaces path
|
| 68 |
+
"../anchor_gold_vector.pt", # Um nível acima
|
| 69 |
+
]
|
| 70 |
+
|
| 71 |
+
ANCHOR_FILE_PATH = None
|
| 72 |
+
for path in POSSIBLE_ANCHOR_PATHS:
|
| 73 |
+
if os.path.exists(path):
|
| 74 |
+
ANCHOR_FILE_PATH = path
|
| 75 |
+
break
|
| 76 |
+
|
| 77 |
+
print(f"⚓ Procurando vetor âncora...")
|
| 78 |
+
|
| 79 |
+
if ANCHOR_FILE_PATH and os.path.exists(ANCHOR_FILE_PATH):
|
| 80 |
# Carregar o centróide pré-calculado do seu dataset de ouro
|
| 81 |
ANCHOR_EMBEDDING = torch.load(ANCHOR_FILE_PATH, map_location=device)
|
| 82 |
+
print(f"✅ Vetor âncora carregado de: {ANCHOR_FILE_PATH}")
|
| 83 |
print(f" Shape: {ANCHOR_EMBEDDING.shape}")
|
| 84 |
else:
|
| 85 |
# Fallback: calcular de exemplos hardcoded se arquivo não existir
|
| 86 |
+
print("⚠️ Arquivo de âncora não encontrado em nenhum caminho.")
|
| 87 |
+
print(f" Caminhos testados: {POSSIBLE_ANCHOR_PATHS}")
|
| 88 |
+
print(" Usando exemplos de fallback...")
|
| 89 |
FALLBACK_EXAMPLES = [
|
| 90 |
"Este artigo apresenta uma análise detalhada dos métodos de aprendizado de máquina aplicados à visão computacional, com resultados quantitativos robustos.",
|
| 91 |
"O estudo demonstra correlação significativa entre as variáveis analisadas, utilizando metodologia rigorosa e amostra representativa.",
|