'add'

pages/film_review.py

@@ -1,4 +1,87 @@
 import streamlit as st
+import torch
+from models.p_logreg import predict_tfidf
+from models.p_bert import predict_bert
+from models.p_lstm import *
+import time
+import os
+import pandas as pd
 
-x = st.slider('Select a value')
-st.write(x, 'squared is', x * x)
+
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+
+def classify_reviews():
+    st.title("Классификация отзывов к фильмам")
+    input_text = st.text_area("Напишите свой отзыв", height=100)
+
+    if st.button("Классифицировать отзыв"):
+        if input_text:
+            with st.spinner('Идет классификация...'):
+                model_lstm = MyModel()
+                model_lstm.load_state_dict(torch.load(get_model_path(), map_location=device).state_dict())
+                model_lstm.to(device)
+                model_lstm.eval()
+
+                # TF-IDF
+                start_time_tfidf = time.time()
+                prediction_tfidf = predict_tfidf(input_text)
+                time_tfidf = time.time() - start_time_tfidf
+
+                # LSTM with Attention
+                start_time_lstm = time.time()
+                with torch.no_grad():
+                    # input_ids = tokenize(input_text)
+                    # input_ids = torch.tensor([tokenize(input_text)]).to(device)
+                    input_ids = torch.tensor([tokenize(input_text)], device=device)
+                    prediction_lstm = torch.argmax(torch.nn.functional.softmax(model_lstm(input_ids.to(device)), dim=1), dim=1).item()
+
+                time_lstm = time.time() - start_time_lstm
+
+                # BERT
+                start_time_bert = time.time()
+                prediction_bert = predict_bert(input_text)
+                time_bert = time.time() - start_time_bert
+
+                # st.write("TF-IDF - отзыв:", "нейтральный" if prediction_tfidf == 1 else ("положительный" if prediction_tfidf == 2 else "отрицательный"), ", время:", round(time_tfidf * 1000, 2), "мс")
+                # st.write("LSTM - отзыв:", "нейтральный" if prediction_lstm == 1 else ("положительный" if prediction_lstm == 2 else "отрицательный"), ", время:", round(time_lstm * 1000, 2), "мс")
+                # st.write("BERT - отзыв:", "нейтральный" if prediction_bert == 1 else ("положительный" if prediction_bert == 2 else "отрицательный"), ", время:", round(time_bert * 1000, 2), "мс")
+
+
+                # Define colors based on predictions
+                color_tfidf = "blue" if prediction_tfidf == 1 else ("green" if prediction_tfidf == 2 else "red")
+                color_lstm = "blue" if prediction_lstm == 1 else ("green" if prediction_lstm == 2 else "red")
+                color_bert = "blue" if prediction_bert == 1 else ("green" if prediction_bert == 2 else "red")
+
+                # Write predictions with colored text
+                st.markdown(
+                    f"TF-IDF - отзыв: <span style='color:{color_tfidf}'>{ 'нейтральный' if prediction_tfidf == 1 else ('положительный' if prediction_tfidf == 2 else 'отрицательный')}</span>, время: {round(time_tfidf * 1000, 2)} мс",
+                    unsafe_allow_html=True
+                )
+                st.markdown(
+                    f"LSTM - отзыв: <span style='color:{color_lstm}'>{ 'нейтральный' if prediction_lstm == 1 else ('положительный' if prediction_lstm == 2 else 'отрицательный')}</span>, время: {round(time_lstm * 1000, 2)} мс",
+                    unsafe_allow_html=True
+                )
+                st.markdown(
+                    f"BERT - отзыв: <span style='color:{color_bert}'>{ 'нейтральный' if prediction_bert == 1 else ('положительный' if prediction_bert == 2 else 'отрицательный')}</span>, время: {round(time_bert * 1000, 2)} мс",
+                    unsafe_allow_html=True
+                )
+
+
+
+
+                st.write("------------")
+
+                metrics = {
+                    "Models": ["TF-IDF+LogReg", "LSTM + attention", "ruBERTtiny2"],
+                    "f1-macro score": [0.6982, 0.6977, 0.6957],
+                    }
+                df = pd.DataFrame(metrics)
+                df.set_index("Models", inplace=True)
+                df.style.set_caption("Model Performance")
+                df.index.name = "Модель"
+                st.write(df)
+
+def get_model_path():
+    current_dir = os.path.dirname(__file__)
+    return os.path.join(current_dir, "..", "models", "model_lstm.pt")
+classify_reviews()

pages/pages_Токсичность.py

@@ -0,0 +1,16 @@
+import streamlit as st
+import time
+from models.models_predict_toxicity import predict_toxicity
+
+def toxicity_page():
+    st.title("Оценка степени токсичности сообщения")
+    message_input = st.text_area("Введите ваше сообщение:")
+
+    if st.button("Оценить токсичность"):
+        if message_input:
+            start_time = time.time()
+            prediction, probability = predict_toxicity(message_input)
+            predict_time = time.time() - start_time
+            st.write(f"Степень токсичности: {prediction} (вероятность: {probability:.4f}, время: {predict_time:.4f} секунд)")
+
+toxicity_page()

pages/toxic_massages.py

@@ -1,4 +0,0 @@
-import streamlit as st
-
-x = st.slider('Select a value')
-st.write(x, 'squared is', x * x)