server.py

from fastapi import FastAPI
from fastapi.middleware.cors import CORSMiddleware
from pydantic import BaseModel
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification, AutoConfig

app = FastAPI()

app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_credentials=False,
    allow_methods=["*"],
    allow_headers=["*"],
)

class AnalyzeRequest(BaseModel):
    text: str

# ---------------------------------------------------------
# BERTurk Duygu Analizi / Sınıflandırma Modeli
# ---------------------------------------------------------
MODEL_PATH = "sentence_best_model 2.bin"
BASE_MODEL_NAME = "dbmdz/bert-base-turkish-cased"

print("Model yükleniyor, lütfen bekleyin...")
try:
    tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL_NAME)
    
    # Modelinizi eğitirken kelime dağarcığına (vocab) 30 adet yeni token eklemişsiniz.
    # Orijinal BERTurk'ün vocab boyutu 32000 iken, sizin modelinizinki 32030 olmuş.
    # Bu yüzden konfigürasyonda bunu belirtmemiz gerekiyor, yoksa çöker ve Nötr döner!
    config = AutoConfig.from_pretrained(BASE_MODEL_NAME, num_labels=3, vocab_size=32030)
    
    # Konfigürasyonla iskeleti oluşturuyoruz
    model = AutoModelForSequenceClassification.from_config(config)
    
    # Kendi eğittiğiniz ağırlıkları (.bin) içine yüklüyoruz
    model.load_state_dict(torch.load(MODEL_PATH, map_location=torch.device('cpu'), weights_only=False))
    
    model.eval()
    print("Model başarıyla yüklendi!")
except Exception as e:
    print(f"Model yüklenirken hata oluştu: {e}")
    model = None
    tokenizer = None


@app.post("/predict")
async def predict_sentiment(request: AnalyzeRequest):
    """
    Frontend'den gelen günlüğü okur ve duygu durumunu sınıflandırır.
    """
    if not model or not tokenizer:
        return {"sentiment": "Neutral"}

    inputs = tokenizer(request.text, return_tensors="pt", truncation=True, padding=True)
    with torch.no_grad():
        outputs = model(**inputs)
        predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
        predicted_class = torch.argmax(predictions, dim=-1).item()
        
    # Sınıf numaralarını metne çevirme (Örnek: 0: Negative, 1: Neutral, 2: Positive)
    # NOT: Kendi modelinizin label mapping'ine göre burayı değiştirebilirsiniz!
    sentiment_map = {0: "Negative", 1: "Neutral", 2: "Positive"}
    detected_sentiment = sentiment_map.get(predicted_class, "Neutral")
    
    return {"sentiment": detected_sentiment}

@app.get("/health")
async def health_check():
    """
    Konteynerin ve modelin durumunu kontrol etmek için health endpoint.
    """
    if model and tokenizer:
        return {"status": "healthy", "model_loaded": True}
    return {"status": "degraded", "model_loaded": False, "message": "Model not loaded. Using fallback responses."}