app.py

import gradio as gr
from transformers import BertTokenizer, BertForSequenceClassification
import torch
import pickle
from collections import defaultdict
import random
import os

# Model və label_encoder yüklənməsi
def load_model():
    try:
        # Label encoder
        with open("label_encoder.pkl", "rb") as f:
            label_encoder = pickle.load(f)
        
        # Tokenizer və Model - iki variant sınayırıq
        try:
            # Variant 1: best_model qovluğu
            tokenizer = BertTokenizer.from_pretrained("best_model")
            model = BertForSequenceClassification.from_pretrained("best_model")
        except:
            # Variant 2: Ana qovluq
            tokenizer = BertTokenizer.from_pretrained(".")
            model = BertForSequenceClassification.from_pretrained(".")
        
        model.eval()
        print(f"✅ Model yükləndi. Label sayı: {len(label_encoder.classes_)}")
        return tokenizer, model, label_encoder
    
    except Exception as e:
        print(f"❌ Model yüklənmə xətası: {e}")
        print(f"📁 Mövcud fayllar: {os.listdir('.')}")
        return None, None, None

# Model yükləmə
tokenizer, model, label_encoder = load_model()

# Prediction funksiyası
def predict_disease(text):
    if tokenizer is None or model is None or label_encoder is None:
        return "❌ Model yüklənməyib!"
    
    if not text.strip():
        return "⚠️ Simptomları daxil edin!"
    
    symptoms = [s.strip() for s in text.split(",") if s.strip()]
    if not symptoms:
        return "⚠️ Düzgün simptomlar yazın (vergüllə ayırın)!"
    
    try:
        agg_probs = defaultdict(float)
        n_shuffles = 5  # Sürəti artırmaq üçün azaltdım
        
        for i in range(n_shuffles):
            random.shuffle(symptoms)
            shuffled_text = ", ".join(symptoms)
            
            inputs = tokenizer(
                shuffled_text, 
                return_tensors="pt", 
                truncation=True, 
                padding=True, 
                max_length=128
            )
            
            with torch.no_grad():
                outputs = model(**inputs)
                probs = torch.nn.functional.softmax(outputs.logits, dim=-1).squeeze()
            
            for idx, p in enumerate(probs):
                agg_probs[idx] += p.item()
        
        # Ortalama hesabla
        for k in agg_probs:
            agg_probs[k] /= n_shuffles
        
        # Top 3 nəticə
        top_3 = sorted(agg_probs.items(), key=lambda x: x[1], reverse=True)[:3]
        
        result = "🏥 **Mümkün xəstəliklər:**\n\n"
        for idx, prob in top_3:
            label = label_encoder.classes_[idx]
            result += f"🔸 **{label}** — %{prob*100:.1f}\n"
        
        return result
    
    except Exception as e:
        return f"❌ Xəta: {str(e)}"

# Gradio interface
demo = gr.Interface(
    fn=predict_disease,
    inputs=gr.Textbox(
        lines=3, 
        placeholder="Məsələn: fever, cough, headache",
        label="🩺 Simptomlarınızı yazın (vergüllə ayırın)"
    ),
    outputs=gr.Textbox(
        label="📋 Nəticələr",
        lines=10
    ),
    title="🏥 Xəstəlik Təyin Edici AI",
    description="Simptomlarınızı yazın və ən mümkün xəstəlikləri görün. ⚠️ Bu sadəcə kömək vasitəsidir, həkim məsləhəti əvəz etmir!",
    examples=[
        ["fever, cough, headache"],
        ["stomach pain, nausea"],
        ["chest pain, shortness of breath"],
        ["dizziness, fatigue"],
        ["skin rash, itching"]
    ],
    theme=gr.themes.Soft(),
    allow_flagging="never"
)

if __name__ == "__main__":
    demo.launch(
        server_name="0.0.0.0",
        server_port=7860,
        show_api=True  # API dokumentasiyası göstərir
    )