Update app.py

app.py

@@ -1,96 +1,60 @@
-import gradio as gr
 from transformers import pipeline
-from huggingface_hub import login
-
-# Список методов, которые будут применяться к введенному тексту
-steps = [
-    "Деконструкция чужих мыслей",
-    "Работа с парадоксами",
-    "Установка умных ограничений",
-    "Циклическая обратная связь",
-    "Минимизация информации",
-    "Мобильные библиотеки",
-    "Интервью с самим собой",
-    "Использование 'периода тишины'",
-    "Переработка старых проектов",
-    "Метод заземления",
-    "Реверсивное мышление",
-    "Работа с случайностями",
-    "Персонализированные алгоритмы",
-    "Использование времени с минимальной активностью",
-    "Анализ с позиции 'невыносимой лёгкости бытия'",
-    "Создание креативных фрагментов",
-    "Метод 'ошибки с первого раза'",
-    "Медитативный подход к созданию контента",
-    "Процесс разрыва шаблонов",
-    "Принцип 'меньше — больше'",
-    "Использование аналога для сложных идей",
-    "Копирование ошибок успешных людей",
-    "Картирование знаний через визуальные образы",
-    "Задачи, заставляющие мозг работать под давлением",
-    "Анализ поведения людей в стрессовых ситуациях",
-    "Кросс-дисциплинарное мышление",
-    "Картирование эмоций",
-    "Использование случайных встреч для изучения",
-    "Фиксация успешных решений на бумаге",
-    "Использование игры в жизни",
-    "Процесс 'максимизации ресурса'",
-    "Управление временем через шаблоны",
-    "Персонализированная техника памяти",
-    "Техники амнезии",
-    "Системы контроля 'изнутри'",
-    "Переосмысление стандартных ролей",
-    "Использование тишины как инструмента для мыслей",
-    "'Переход через время'",
-    "Процесс 'расширения горизонтов'",
-    "Техника взрывной генерации идей",
-    "Техника обратного создания",
-    "Интервью с вещами"
-]
 
 # Функция для авторизации и загрузки моделей
 def authenticate(api_key):
-    login(token=api_key)  # Авторизация через API-ключ
-    # Загрузка различных моделей
-    model_gpt = pipeline("text-generation", model="EleutherAI/gpt-neo-2.7B")  # GPT-Neo
-    model_t5 = pipeline("text-to-text-generation", model="t5-base")  # T5
-    model_bert = pipeline("fill-mask", model="bert-base-uncased")  # BERT, для анализа текста
+    # Здесь предполагается, что api_key используется для каких-то целей авторизации, если нужно
+    # Например, вы можете проверить токен перед загрузкой моделей.
+    # Но в данном примере токен не используется.
+
+    # Загрузка модели GPT-Neo для генерации текста
+    model_gpt = pipeline("text-generation", model="EleutherAI/gpt-neo-125M")
+    
+    # Загрузка модели T5 для задач text-to-text (перевод, резюмирование и т.д.)
+    model_t5 = pipeline("text2text-generation", model="t5-base")
+    
+    # Загрузка модели BERT для задачи заполнения пропусков
+    model_bert = pipeline("fill-mask", model="bert-base-uncased")
+    
     return model_gpt, model_t5, model_bert
 
-# Функция обработки одного шага с использованием всех моделей
+# Функция для обработки текста с использованием всех трех моделей
 def process_step(step, text, api_key):
-    # Получаем все модели после авторизации
+    # Авторизация и загрузка моделей
     model_gpt, model_t5, model_bert = authenticate(api_key)
-
-    # Результаты генерации для GPT-neo
-    gpt_response = model_gpt(f"{step}: {text}")
-    gpt_result = gpt_response[0]['generated_text']
-
-    # Результаты генерации для T5
-    t5_response = model_t5(f"{step}: {text}")
-    t5_result = t5_response[0]['generated_text']
-
-    # Результаты для BERT (заполнение маски, использование в контексте анализа)
-    mask_response = model_bert(f"{step}: {text} [MASK]")
-    bert_result = mask_response[0]['sequence']
-
-    return gpt_result, t5_result, bert_result
-
-# Функция для обработки всех шагов и сравнения моделей
-def process_all_steps(text, api_key):
-    all_responses = []
-    for step in steps:
-        gpt_result, t5_result, bert_result = process_step(step, text, api_key)
-        all_responses.append(f"Шаг: {step}\nGPT-NEO: {gpt_result}\nT5: {t5_result}\nBERT: {bert_result}")
-    return "\n\n".join(all_responses)
-
-# Интерфейс для отображения результата
-interface = gr.Interface(
-    fn=process_all_steps,
-    inputs=[gr.Textbox(label="Введите текст для анализа"), gr.Textbox(label="Введите API-ключ Hugging Face")],
-    outputs="text",
-    title="Сравнение моделей для анализа текста",
-    description="Поочередное применение 50 методов анализа философских и психологических аспектов текста с использованием моделей GPT-NEO, T5 и BERT."
-)
-
-interface.launch()  # Запуск интерфейса
+    
+    # Применение различных моделей по очереди в зависимости от шага
+    if step == 1:
+        # Пример генерации текста с помощью GPT-Neo
+        gpt_result = model_gpt(text, max_length=100)
+        return gpt_result
+    elif step == 2:
+        # Пример генерации текста с помощью T5 (например, для резюмирования)
+        t5_result = model_t5(text)
+        return t5_result
+    elif step == 3:
+        # Пример заполнения пропусков с помощью BERT
+        bert_result = model_bert(text)
+        return bert_result
+    else:
+        return "Unknown step"
+
+# Пример использования
+if __name__ == "__main__":
+    api_key = "your_api_key_here"  # Здесь укажите свой API-ключ, если необходимо
+
+    text_input = "Your text input here."  # Ваш текст для анализа
+    
+    # Пример: шаг 1 — использование GPT-Neo
+    step = 1
+    result = process_step(step, text_input, api_key)
+    print(f"Result from step {step}: {result}")
+    
+    # Пример: шаг 2 — использование T5
+    step = 2
+    result = process_step(step, text_input, api_key)
+    print(f"Result from step {step}: {result}")
+    
+    # Пример: шаг 3 — использование BERT
+    step = 3
+    result = process_step(step, text_input, api_key)
+    print(f"Result from step {step}: {result}")