Update app.py

app.py

@@ -3,7 +3,6 @@ import tensorflow as tf
 import numpy as np
 import joblib
 from tensorflow.keras.preprocessing.sequence import pad_sequences
-from transformers import pipeline
 # Fonction de prédiction pour le lstm
 def analyser_sentiment_lstm(tweet):
     sequence = tokenizer.texts_to_sequences([tweet])
@@ -13,13 +12,6 @@ def analyser_sentiment_lstm(tweet):
     sentiment = "Positif" if prediction[0] >= 0.5 else "Négatif"
     return {sentiment: float(prediction[0]) if sentiment == "Positif" else 1 - float(prediction[0])}
 
-def analyser_sentiment_camembert(tweet):
-    # charger le modèle
-    sentiment_pipeline = pipeline("sentiment-analysis", model="cmarkea/distilcamembert-base-sentiment")
-
-    # appliquer le modèle
-    result = sentiment_pipeline(tweet)[0]['label']
-
     
 # Charger le modèle LSTM
 model = tf.keras.models.load_model("lstm_model.h5")
@@ -27,30 +19,17 @@ model = tf.keras.models.load_model("lstm_model.h5")
 # Charger le tokenizer utilisé pendant l'entraînement
 tokenizer = joblib.load('tokenizer.joblib')
 
-# définir les blocks
-demo = gr.Blocks(theme='shivi/calm_seafoam')
-
 # Interface Gradio
 interface1 = gr.Interface(
     fn=analyser_sentiment_lstm,
     inputs=gr.Textbox(lines=3, placeholder="Entrez un tweet en français ici..."),
     outputs=gr.Label(num_top_classes=2),
     title="Analyse de Sentiment de Tweets",
-    description="Entrez un tweet en français pour obtenir son sentiment (positif, négatif)."
-)
-
-interface2 = gr.Interface(
-    fn = analyser_sentiment_camembert,
-    inputs=gr.Textbox(lines=3, placeholder="Entrez un tweet en français ici..."),
-    outputs=gr.Textbox(label='Output'),
-    title="Analyse de Sentiment de Tweets",
-    description="Entrez un tweet en français pour obtenir son sentiment."
+    description="Entrez un tweet en français pour obtenir son sentiment (positif, négatif).",
+    theme='shivi/calm_seafoam'
 )
 
 
-# faire un tabbing des interfaces
-with demo:
-  gr.TabbedInterface([interface1, interface2], ['LSTM_SAM', 'CAMEMBERT_SAM'])
 
 # lancer l'interface
 demo.launch()