Update app.py

app.py

@@ -1,5 +1,7 @@
 with open("app.py", "w") as f:
     f.write("""
+import os
+import sys
 import torch
 import torch.nn as nn
 import torch.nn.functional as F
@@ -7,6 +9,11 @@ import gradio as gr
 import pickle
 import pandas as pd
 
+# Debug için print fonksiyonları
+print("Python version:", sys.version)
+print("Current working directory:", os.getcwd())
+print("Directory contents:", os.listdir())
+
 # TabTransformer Model Tanımı
 class TabTransformer(nn.Module):
     def __init__(self, input_dim, num_classes=2, d_model=64, nhead=4, num_layers=3, dropout=0.1):
@@ -25,102 +32,122 @@ class TabTransformer(nn.Module):
 
     def forward(self, x):
         x = self.embedding(x)
-        x = x.unsqueeze(0)  # Add sequence length dimension
+        x = x.unsqueeze(0)
         x = self.transformer_encoder(x)
-        x = x.squeeze(0)  # Remove sequence length dimension
+        x = x.squeeze(0)
         return self.fc(x)
 
-# Kategorik ve sayısal özellikler
+# Özellikler
 categorical_features = ['Multifocal_PVC', 'Nonsustained_VT', 'gender', 'HTN', 'DM', 'Fullcompansasion']
 numeric_features = ['pvc_percent', 'PVCQRS', 'EF', 'Age', 'PVC_Prematurity_index', 'QRS_ratio',
-                    'mean_HR', 'symptom_duration', 'QTc_sinus', 'PVCCI_dispersion',
-                    'CI_variability', 'PVC_Peak_QRS_duration', 'PVCCI', 'PVC_Compansatory_interval']
+                   'mean_HR', 'symptom_duration', 'QTc_sinus', 'PVCCI_dispersion',
+                   'CI_variability', 'PVC_Peak_QRS_duration', 'PVCCI', 'PVC_Compansatory_interval']
 
-# Mean değerleri ile varsayılanlar
 numeric_means = {
-    'pvc_percent': 11.96,
-    'PVCQRS': 155.1,
-    'EF': 59.93,
-    'Age': 52.19,
-    'PVC_Prematurity_index': 0.6158,
-    'QRS_ratio': 1.933,
-    'mean_HR': 71.28,
-    'symptom_duration': 14.91,
-    'QTc_sinus': 425.0,
-    'PVCCI_dispersion': 57.1,
-    'CI_variability': 22.98,
-    'PVC_Peak_QRS_duration': 76.13,
-    'PVCCI': 513.4,
+    'pvc_percent': 11.96, 'PVCQRS': 155.1, 'EF': 59.93, 'Age': 52.19,
+    'PVC_Prematurity_index': 0.6158, 'QRS_ratio': 1.933, 'mean_HR': 71.28,
+    'symptom_duration': 14.91, 'QTc_sinus': 425.0, 'PVCCI_dispersion': 57.1,
+    'CI_variability': 22.98, 'PVC_Peak_QRS_duration': 76.13, 'PVCCI': 513.4,
     'PVC_Compansatory_interval': 1044
 }
 
-try:
-    # Model ve scaler'ı yükleme
-    model_path = "tabtransformer_model.pth"
-    scaler_path = "trans_scaler.pkl"
-
-    # Model tanımı
-    input_dim = len(categorical_features) + len(numeric_features)  # Toplam giriş boyutu
-    model = TabTransformer(input_dim=input_dim)
-    model.load_state_dict(torch.load(model_path, map_location=torch.device('cpu')))  # Model ağırlıklarını yükle
-    model.eval()  # Değerlendirme moduna al
-
-    # Scaler yükleme
-    with open(scaler_path, "rb") as f:
-        scaler = pickle.load(f)
+# Global değişkenler
+model = None
+scaler = None
 
-except Exception as e:
-    print(f"Model yükleme hatası: {str(e)}")
-    raise
+def load_model_and_scaler():
+    global model, scaler
+    try:
+        print("Model ve scaler yükleniyor...")
+        
+        # Model dosyası kontrolü
+        model_path = "tabtransformer_model.pth"
+        if not os.path.exists(model_path):
+            raise FileNotFoundError(f"Model dosyası bulunamadı: {model_path}")
+        
+        # Scaler dosyası kontrolü
+        scaler_path = "trans_scaler.pkl"
+        if not os.path.exists(scaler_path):
+            raise FileNotFoundError(f"Scaler dosyası bulunamadı: {scaler_path}")
+        
+        # Model yükleme
+        input_dim = len(categorical_features) + len(numeric_features)
+        model = TabTransformer(input_dim=input_dim)
+        model.load_state_dict(torch.load(model_path, map_location='cpu'))
+        model.eval()
+        
+        # Scaler yükleme
+        with open(scaler_path, 'rb') as f:
+            scaler = pickle.load(f)
+        
+        print("Model ve scaler başarıyla yüklendi!")
+        return True
+    except Exception as e:
+        print(f"Model yükleme hatası: {str(e)}")
+        return False
 
 def predict(*inputs):
+    if model is None or scaler is None:
+        return {"Error": "Model henüz yüklenmedi"}
+    
     try:
-        # Girdileri kategorik ve sayısal olarak ayır
+        # Girdileri ayır
         cat_inputs = inputs[:len(categorical_features)]
         num_inputs = inputs[len(categorical_features):]
-
-        # Kategorik girdiler (binary olarak 0/1 kodlama: "Yes" -> 1, "No" -> 0)
+        
+        # Kategorik verileri dönüştür
         cat_data = [1 if val == "Yes" else 0 for val in cat_inputs]
-
-        # Sayısal girdiler
+        
+        # Sayısal verileri dönüştür
         num_data = [float(val) for val in num_inputs]
-
-        # Veriyi birleştir ve ölçeklendir
+        
+        # DataFrame oluştur
         data = pd.DataFrame([cat_data + num_data], columns=categorical_features + numeric_features)
+        
+        # Veriyi ölçeklendir
         scaled_data = scaler.transform(data)
-
-        # Modelden tahmin al
-        tensor_data = torch.FloatTensor(scaled_data)
+        
+        # Tahmin
         with torch.no_grad():
+            tensor_data = torch.FloatTensor(scaled_data)
             logits = model(tensor_data)
             probabilities = F.softmax(logits, dim=1).numpy()
-
+        
         return {
             "Probability of Response": float(probabilities[0][0]),
             "Probability of Non-Response": float(probabilities[0][1])
         }
     except Exception as e:
         print(f"Tahmin hatası: {str(e)}")
-        raise
+        return {"Error": str(e)}
 
 # Gradio arayüzü
-inputs = (
-    [gr.Dropdown(choices=['Yes', 'No'], label=feature) for feature in categorical_features] +
-    [gr.Number(label=feature, value=numeric_means[feature]) for feature in numeric_features]
-)
-outputs = gr.Label(label="Prediction")
-interface = gr.Interface(
-    fn=predict,
-    inputs=inputs,
-    outputs=outputs,
-    title="TabTransformer Prediction",
-    description="Enter the features to predict the response probability"
-)
+def create_interface():
+    inputs = [gr.Dropdown(choices=['Yes', 'No'], label=feat) for feat in categorical_features]
+    inputs.extend([gr.Number(label=feat, value=numeric_means[feat]) for feat in numeric_features])
+    
+    outputs = gr.Label(label="Prediction")
+    
+    return gr.Interface(
+        fn=predict,
+        inputs=inputs,
+        outputs=outputs,
+        title="TabTransformer Prediction",
+        description="Enter the features to predict the response probability"
+    )
 
-# Spaces için başlatma
 if __name__ == "__main__":
+    print("Uygulama başlatılıyor...")
+    
+    # Model ve scaler'ı yükle
+    if not load_model_and_scaler():
+        print("Model yüklenemedi. Uygulama sonlandırılıyor.")
+        sys.exit(1)
+    
+    # Arayüzü oluştur ve başlat
     try:
-        interface.launch(server_name="0.0.0.0", server_port=7860)
+        demo = create_interface()
+        demo.launch(server_name="0.0.0.0", server_port=7860)
     except Exception as e:
         print(f"Arayüz başlatma hatası: {str(e)}")
-        raise""")
+        sys.exit(1)""")