Update app.py

app.py

@@ -5,7 +5,6 @@ import os
 
 # --- 依赖导入 ---
 from model import CAFN
-# --- 修改点 1: 导入 load_precomputed_fr_matrix 而不是 initialize_fr_matrix ---
 from Feature_extraction_algorithms.PSTAAP import PSTAAP_feature, load_precomputed_fr_matrix
 from Feature_extraction_algorithms.Physicochemical import PC_feature
 
@@ -26,26 +25,40 @@ def load_model(model_path):
 
 model = load_model(MODEL_PATH)
 
-# --- 修改点 2: PSTAAP 初始化方式改变 ---
-# 直接加载预计算的 .mat 文件，高效且无需原始数据
+# --- 2. PSTAAP 特征提取器初始化 ---
 try:
-    # --- 请将 'Fr_train.mat' 放在与 app.py 相同的目录下，或者提供完整路径 ---
     FR_MATRIX_PATH = 'Fr_train.mat' 
-    
     if not os.path.exists(FR_MATRIX_PATH):
         raise FileNotFoundError(f"PSTAAP初始化失败：找不到矩阵文件 {FR_MATRIX_PATH}")
-
-    # 调用新的加载函数
     load_precomputed_fr_matrix(FR_MATRIX_PATH)
-
 except Exception as e:
     print(f"PSTAAP 初始化过程中发生严重错误: {e}")
     model = None
 
-# --- 3. 核心预测函数 (也需要微调) ---
+
+# --- 3. 特征提取函数 (这是关键！) ---
+# !!! 确保这个函数定义存在，并且没有被注释或错误缩进 !!!
+def extract_features_from_seq(sequence_list):
+    """
+    接收一个包含序列的列表，返回模型所需的两个特征张量 x1 和 x2。
+    """
+    # 提取 PC_feature (对应 x2)
+    data2 = PC_feature(sequence_list)
+
+    # 提取 PSTAAP_feature (对应 x1)
+    N = len(sequence_list)
+    empty_list_array = [[] for _ in range(N)]
+    data = np.array(empty_list_array, dtype=object)
+    feature = PSTAAP_feature(sequence_list)
+    data = np.hstack((data, feature))
+    
+    return data.astype(np.float32), data2.astype(np.float32)
+
+
+# --- 4. 核心预测函数 ---
 def predict(sequence_input):
     if model is None:
-        return {"错误": "模型未能加载，请检查后台日志"}
+        return {"错误": "模型未能加载或初始化失败，请检查后台日志"}
     
     if not sequence_input or not isinstance(sequence_input, str):
         return {"错误": "请输入有效的生物序列"}
@@ -54,14 +67,12 @@ def predict(sequence_input):
     sequence_list = [cleaned_sequence]
 
     try:
-        # --- 相应的调用也需要修改 ---
-        # 不再传递 test_PSTAAP=True
+        # !!! 在这里调用了上面的函数 !!!
         x1_np, x2_np = extract_features_from_seq(sequence_list)
     except Exception as e:
-        # 这里的错误处理机制让您能看到底层的 Python 错误，非常好！
+        # 如果特征提取失败（包括 NameError），会在这里捕获
         return {f"特征提取失败": str(e)}
 
-    # ... (函数的其余部分保持不变)
     tensor_x1 = torch.tensor(x1_np).to(device)
     tensor_x2 = torch.tensor(x2_np).to(device)
 
@@ -75,7 +86,7 @@ def predict(sequence_input):
     
     return result
 
-# --- 4. 创建并启动 Gradio 界面 ---
+# --- 5. 创建并启动 Gradio 界面 ---
 demo = gr.Interface(
     fn=predict,
     inputs=gr.Textbox(