Update app.py

app.py

@@ -54,46 +54,54 @@ numeric_means = {
     'PVC_Compansatory_interval': 1044
 }
 
-# Model ve scaler'ı yükleme
-model_path = "tabtransformer_model.pth"
-scaler_path = "trans_scaler.pkl"
+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, weights_only=True))  # Model ağırlıklarını yükle
-model.eval()  # Değerlendirme moduna al
+    # 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)
+    # Scaler yükleme
+    with open(scaler_path, "rb") as f:
+        scaler = pickle.load(f)
+
+except Exception as e:
+    print(f"Model yükleme hatası: {str(e)}")
+    raise
 
-# Prediction fonksiyonu
 def predict(*inputs):
-    # Girdileri kategorik ve sayısal olarak ayır
-    cat_inputs = inputs[:len(categorical_features)]
-    num_inputs = inputs[len(categorical_features):]
+    try:
+        # Girdileri kategorik ve sayısal olarak ayır
+        cat_inputs = inputs[:len(categorical_features)]
+        num_inputs = inputs[len(categorical_features):]
 
-    # Kategorik girdiler (binary olarak 0/1 kodlama: "Yes" -> 1, "No" -> 0)
-    cat_data = [1 if val == "Yes" else 0 for val in cat_inputs]
+        # Kategorik girdiler (binary olarak 0/1 kodlama: "Yes" -> 1, "No" -> 0)
+        cat_data = [1 if val == "Yes" else 0 for val in cat_inputs]
 
-    # Sayısal girdiler
-    num_data = [float(val) for val in num_inputs]
+        # Sayısal girdiler
+        num_data = [float(val) for val in num_inputs]
 
-    # Veriyi birleştir ve ölçeklendir
-    data = pd.DataFrame([cat_data + num_data])
-    scaled_data = scaler.transform(data)
+        # Veriyi birleştir ve ölçeklendir
+        data = pd.DataFrame([cat_data + num_data], columns=categorical_features + numeric_features)
+        scaled_data = scaler.transform(data)
 
-    # Modelden tahmin al
-    tensor_data = torch.FloatTensor(scaled_data)
-    with torch.no_grad():
-        logits = model(tensor_data)
-        probabilities = F.softmax(logits, dim=1).numpy()
+        # Modelden tahmin al
+        tensor_data = torch.FloatTensor(scaled_data)
+        with torch.no_grad():
+            logits = model(tensor_data)
+            probabilities = F.softmax(logits, dim=1).numpy()
 
-    return {
-        "Probability of Response": probabilities[0][0],
-        "Probability of Non-Response": probabilities[0][1]
-    }
+        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
 
 # Gradio arayüzü
 inputs = (
@@ -101,8 +109,18 @@ inputs = (
     [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")
+interface = 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__":
-    interface.launch(server_name="0.0.0.0", server_port=8080)""")
+    try:
+        interface.launch(server_name="0.0.0.0", server_port=7860)
+    except Exception as e:
+        print(f"Arayüz başlatma hatası: {str(e)}")
+        raise""")