Update app.py

app.py

@@ -12,22 +12,21 @@ import time
 import sys
 import os
 
-# Set matplotlib backend to avoid display issues
+# Set matplotlib backend
 plt.switch_backend('Agg')
 
-# Create necessary directories
+# Create directories and init files
 os.makedirs('src/environments', exist_ok=True)
 os.makedirs('src/agents', exist_ok=True)
+os.makedirs('src/sentiment', exist_ok=True)
 os.makedirs('src/visualizers', exist_ok=True)
 os.makedirs('src/utils', exist_ok=True)
 
-# Create __init__.py files
-for dir_path in ['src', 'src/environments', 'src/agents', 'src/visualizers', 'src/utils']:
+for dir_path in ['src', 'src/environments', 'src/agents', 'src/sentiment', 'src/visualizers', 'src/utils']:
     init_file = os.path.join(dir_path, '__init__.py')
     with open(init_file, 'w') as f:
         f.write('')
 
-# Now import our custom modules
 sys.path.append('src')
 
 # Import our custom modules
@@ -506,7 +505,7 @@ def create_interface():
         # 🚀 Visual Trading AI
         **هوش مصنوعی معامله‌گر بصری - تحلیل چارت‌های قیمت با یادگیری تقویتی عمیق**
         
-        *این پروژه از شبکه‌های عصبی کانولوشن برای تحلیل بصری نمودارهای قیمت و یادگیری تقویتی برای تصمیم‌گیری معاملاتی استفاده می‌کند.*
+        *این پروژه از ترکیب **CNN برای پردازش بصری** نمودارها و **یادگیری تقویتی** برای تصمیم‌گیری استفاده می‌کند.*
         """)
         
         with gr.Row():
@@ -642,12 +641,27 @@ def create_interface():
                 )
         
         with gr.Row():
-            gr.Markdown("## ℹ️ راهنمای استفاده")
+            gr.Markdown("## 🧠 معماری هوش مصنوعی")
             
         with gr.Row():
             with gr.Column(scale=1):
                 gr.Markdown("""
-                **🎯 اقدامات ممکن:**
+                **🎯 CNN (پردازش بصری):**
+                - تحلیل تصاویر نمودارهای قیمت
+                - تشخیص الگوهای تکنیکال
+                - استخراج ویژگی‌های بصری
+                - ورودی: تصاویر 84x84 پیکسل
+                
+                **🤖 Reinforcement Learning:**
+                - الگوریتم Deep Q-Network (DQN)
+                - یادگیری از طریق تعامل با محیط
+                - بهینه‌سازی تصمیم‌های معاملاتی
+                - تجربه replay برای یادگیری پایدار
+                """)
+            
+            with gr.Column(scale=1):
+                gr.Markdown("""
+                **🎮 اقدامات ممکن:**
                 - **Hold (0)**: حفظ وضعیت فعلی
                 - **Buy (1)**: باز کردن پوزیشن خرید
                 - **Sell (2)**: افزایش سایز پوزیشن
@@ -657,20 +671,6 @@ def create_interface():
                 - **Reward**: امتیاز دریافتی از محیط
                 - **Net Worth**: ارزش کل پرتفولیو
                 - **Balance**: موجودی نقدی
-                - **Position**: سایز پوزیشن فعلی
-                """)
-            
-            with gr.Column(scale=1):
-                gr.Markdown("""
-                **🔧 نحوه استفاده:**
-                1. محیط را راه‌اندازی کنید
-                2. اقدامات تکی یا اپیزودها را اجرا کنید
-                3. عملکرد را در نمودارها مشاهده کنید
-                4. هوش مصنوعی را آموزش دهید
-                5. نتایج را تحلیل کنید
-                
-                **⚠️ توجه:**
-                این یک شبیه‌ساز آموزشی است و برای معاملات واقعی طراحی نشده است.
                 """)
         
         # Event handlers
@@ -699,23 +699,24 @@ def create_interface():
         )
         
         gr.Markdown("""
-        ## 🏗 معماری فنی
+        ## 🏗 جزئیات فنی
         
         **🎯 هسته هوش مصنوعی:**
-        - **پردازش بصری**: شبکه عصبی کانولوشن (CNN) برای تحلیل نمودارهای قیمت
-        - **یادگیری تقویتی**: الگوریتم Deep Q-Network (DQN) برای تصمیم‌گیری
-        - **تجربه replay**: ذخیره و بازیابی تجربیات برای یادگیری پایدار
+        - **پردازش بصری**: شبکه عصبی کانولوشن (CNN) با 3 لایه
+        - **یادگیری تقویتی**: الگوریتم Deep Q-Network (DQN)
+        - **تجربه replay**: حافظه 500 نمونه برای یادگیری پایدار
+        - **اکتشاف**: epsilon-greedy با decay پیشرونده
         
         **🛠 فناوری‌ها:**
         - **یادگیری عمیق**: PyTorch
-        - **م��یط شبیه‌سازی**: محیط اختصاصی معاملاتی
+        - **محیط شبیه‌سازی**: Gymnasium
         - **رابط کاربری**: Gradio
         - **ویژوالیزیشن**: Plotly, Matplotlib
-        - **پردازش داده**: NumPy, Pandas
+        - **پردازش تصویر**: PIL, OpenCV
         
         **📊 ویژگی‌های کلیدی:**
-        - تحلیل بصری نمودارهای قیمت
-        - یادگیری خودکار استراتژی‌های معاملاتی
+        - تحلیل بصری نمودارهای قیمت با CNN
+        - یادگیری خودکار استراتژی‌های معاملاتی با RL
         - نمایش زنده عملکرد و تصمیم‌ها
         - کنترل دستی و خودکار
         - آنالیز جامع عملکرد