# gradio interface

import gradio as gr

def predict_sentiment(text):
    # Vectorisation et padding
    seq = tokenizer.texts_to_sequences([text])
    padded = pad_sequences(seq, maxlen=x_train.shape[1])
    pred = lstm_model.predict(padded)
    sentiment = "Positive" if pred[0][0] >= 0.5 else "Negative"
    return sentiment

iface = gr.Interface(
    fn=predict_sentiment,
    inputs=gr.Textbox(lines=2, label="Entrez un tweet en français"),
    outputs=gr.Textbox(label="Sentiment prédit"),
    title="Analyse de sentiment de tweets français",
    description="Entrez un tweet pour obtenir la prédiction du sentiment (Positive/Negative) par le modèle LSTM."
)

iface.launch()


def predict_sentiment(text):
    # Vectorisation et padding
    seq = tokenizer.texts_to_sequences([text])
    padded = pad_sequences(seq, maxlen=x_train.shape[1])
    pred = gru_model.predict(padded)
    sentiment = "Positive" if pred[0][0] >= 0.5 else "Negative"
    return sentiment

iface = gr.Interface(
    fn=predict_sentiment,
    inputs=gr.Textbox(lines=2, label="Entrez un tweet en français"),
    outputs=gr.Textbox(label="Sentiment prédit"),
    title="Analyse de sentiment de tweets français",
    description="Entrez un tweet pour obtenir la prédiction du sentiment (Positive/Negative) par le modèle LSTM."
)

iface.launch()

import gradio as gr

def predict_sentiment(text):
    # Vectorisation et padding
    seq = tokenizer.texts_to_sequences([text])
    padded = pad_sequences(seq, maxlen=x_train.shape[1])
    pred = SimpleRNN_model.predict(padded)
    sentiment = "Positive" if pred[0][0] >= 0.5 else "Negative"
    return sentiment

iface = gr.Interface(
    fn=predict_sentiment,
    inputs=gr.Textbox(lines=2, label="Entrez un tweet en français"),
    outputs=gr.Textbox(label="Sentiment prédit"),
    title="Analyse de sentiment de tweets français",
    description="Entrez un tweet pour obtenir la prédiction du sentiment (Positive/Negative) par le modèle LSTM."
)

iface.launch()