Create app.py

app.py

@@ -0,0 +1,56 @@
+import gradio as gr
+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])
+    padded = pad_sequences(sequence)
+    prediction = model.predict(padded)[0]
+
+    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")
+
+# 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."
+)
+
+
+# faire un tabbing des interfaces
+with demo:
+  gr.TabbedInterface([interface1, interface2], ['LSTM_SAM', 'CAMEMBERT_SAM'])
+
+# lancer l'interface
+demo.launch()