Madras1 commited on
Commit
56ab646
·
verified ·
1 Parent(s): 5161462

Upload 2 files

Browse files
Files changed (2) hide show
  1. Dockerfile +2 -1
  2. 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
- # Caminho do arquivo de âncora (gerado pelo seu pipeline de calibração)
64
- ANCHOR_FILE_PATH = "anchor_gold_vector.pt"
65
-
66
- print(f" Carregando vetor âncora de: {ANCHOR_FILE_PATH}")
67
-
68
- if os.path.exists(ANCHOR_FILE_PATH):
 
 
 
 
 
 
 
 
 
 
 
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 com sucesso!")
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. Usando exemplos de fallback...")
 
 
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.",