modifiche app.py e modello.py

Dockerfile

@@ -1,9 +1,9 @@
 #dockerfile
 
-# versione di Python
+# Versione di Python
 FROM python:3.12.1
 
-# set della working directory  
+# Set della working directory  
 WORKDIR /app
 RUN ls
 
@@ -13,8 +13,8 @@ COPY requirements.txt .
 # Installa le dipendenze
 RUN pip install --no-cache-dir -r requirements.txt
 
-# copia della directory in /app
+# Copia della directory in /app
 COPY . /app
 
-# run dello script Python
+# Run dello script Python
 CMD ["python", "app.py"]

app.py

@@ -1,6 +1,23 @@
-print("TESTTTTT")
 # Utilities
 from src.modello import Modello
 from src.dataset import LoadDataset
+from sklearn.metrics import accuracy_score
 
-print("Hello TEST")
+model = Modello()
+dataset = LoadDataset()
+
+# Considero solo una parte del dataset per motivi prestazionali
+X = dataset.X[:200].tolist()
+y = dataset.y[:200].tolist()
+
+y_pred=model.predict(X)
+
+check_loop = True
+
+while check_loop :
+    tweet = input("Inserire tweet:")
+    if tweet=="" :
+        print("EXIT")
+        check_loop = False
+    else :
+        print(f"Sentiment: {model.predict(tweet)}")

src/modello.py

@@ -5,6 +5,8 @@ class Modello :
     # Import del modello da Hugging Face
     sentiment_task = pipeline("sentiment-analysis", model="cardiffnlp/twitter-roberta-base-sentiment-latest", tokenizer="cardiffnlp/twitter-roberta-base-sentiment-latest")
 
-    def predict(self,tweet) :
-        # Metodo per le predizioni
-        return self.sentiment_task(tweet)[0]["label"]
+    def predict(self,tweets) :
+        # Metodo per le predizioni, prende in input una o più stringhe
+        # Definisco un batch_size per efficienza
+        results = self.sentiment_task(tweets, batch_size=32) 
+        return [res["label"] for res in results]