Upload app.py

app.py

@@ -1,24 +1,38 @@
 import gradio as gr
 from transformers import pipeline
+import time
 
 # 加載預訓練模型
-model = pipeline("text2text-generation", model="dean22029/mt5_finetuning")
+model = pipeline("text-classification", model="dean22029/Taiwan_Legislator_multilabel_classification")
 
-def predict_label(text):
-      # 生成預測
-      predictions = model(text)
-      # 通常，text2text-generation 模型的輸出是一個列表，其中包含字典。我們需要從這個字典中提取 'generated_text' 鍵的值。
-      return predictions[0]['generated_text']
+label_mapping = {'LABEL_0': '要求資訊', 'LABEL_1': '要求說明', 'LABEL_2': '要求改變', 'LABEL_3': '威脅制裁'}
+
+def predict_label(text, progress=gr.Progress()):
+    progress(0, desc="開始處理")
+    time.sleep(1)  # 模擬處理延遲
+    progress(0.5, desc="正在分析文本")
+    predictions = model(text)
+    progress(1, desc="完成分析")
+    
+    # 提取標籤
+    labels = [label_mapping.get(prediction['label']) for prediction in predictions if prediction['score'] > 0.5]
+    return ", ".join(labels) if labels else "無相關標籤"
+  
+custom_html = """
+<h3>歡迎使用議員對話分類器</h3>
+<p>是不是很好奇選區的議員到底都在議會說了什麼? 請輸入議員的逐字稿, 讓我們來幫你解答</p>
+"""
 
 # 建立 Gradio 界面
 interface = gr.Interface(
     fn=predict_label, 
     inputs=gr.Textbox(lines=2, placeholder="輸入您想分析的文字..."), 
-    outputs="text",
-    theme="huggingface", 
-    title="議員對話分類器",
-    description="這是一個議員對話的分類器。請在下方輸入框中輸入對話文字，模型將預測其類別。",
-    allow_flagging="never"
+    outputs="label",
+    theme="huggingface",  # 自定義主題風格
+    title="議員對話分類器",  # 界面標題
+    description="這是一個議員對話的分類器。請在下方輸入框中輸入對話文字檔，模型將預測其類別。",  # 說明文字
+    allow_flagging="never",
+    examples=[["接下來想針對大巨蛋問題詢問一下目前進度，是這樣子的，之前你們都在說大巨蛋會蓋好，所以到底什麼時候會蓋好呢？怎麼拖這麼久？"]]
 )
 
 # 啟動界面