src/streamlit_app.py

import os
import streamlit as st
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Input, Lambda, Dense
from tensorflow.keras.models import Model
from transformers import DistilBertTokenizer, TFDistilBertModel

# =======================
# CẤU HÌNH
# =======================
MAX_LEN = 400
WEIGHTS_PATH = "src/model_Adam.h5"
TOKENIZER_PATH = "src"
CACHE_DIR = "./cache"

# =======================
# TRÁNH LỖI GHI CACHE
# =======================
os.environ['TRANSFORMERS_CACHE'] = CACHE_DIR

# =======================
# TẢI TOKENIZER
# =======================
@st.cache_resource
def load_tokenizer():
    return DistilBertTokenizer.from_pretrained(TOKENIZER_PATH)

tokenizer = load_tokenizer()

# =======================
# TẠO MÔ HÌNH (PHẢI GIỐNG KHI TRAIN)
# =======================
@st.cache_resource
def create_model_and_load_weights():
    transformer = TFDistilBertModel.from_pretrained("distilbert-base-uncased", cache_dir=CACHE_DIR)

    input_ids = Input(shape=(MAX_LEN,), dtype=tf.int32, name="input_ids")
    attention_mask = Input(shape=(MAX_LEN,), dtype=tf.int32, name="attention_mask")

    def transformer_layer(inputs):
        ids, mask = inputs
        outputs = transformer(input_ids=ids, attention_mask=mask)
        return outputs.last_hidden_state[:, 0, :]  # Lấy CLS token

    cls_output = Lambda(transformer_layer)([input_ids, attention_mask])
    output = Dense(1, activation='sigmoid')(cls_output)

    model = Model(inputs=[input_ids, attention_mask], outputs=output)
    model.load_weights(WEIGHTS_PATH)
    return model

model = create_model_and_load_weights()

# =======================
# TIỀN XỬ LÝ
# =======================
def preprocess(text):
    tokens = tokenizer(
        text,
        max_length=MAX_LEN,
        padding="max_length",
        truncation=True,
        return_tensors="tf"
    )
    return {
        "input_ids": tokens["input_ids"],
        "attention_mask": tokens["attention_mask"]
    }

# =======================
# GIAO DIỆN STREAMLIT
# =======================
st.title("🎬 Phân tích cảm xúc đánh giá phim")

user_input = st.text_area("Nhập đánh giá phim của bạn:", height=150)

if st.button("Dự đoán cảm xúc"):
    if not user_input.strip():
        st.warning("Vui lòng nhập nội dung.")
    else:
        with st.spinner("Đang xử lý..."):
            inputs = preprocess(user_input)
            prob = model.predict(inputs)[0][0]
            label = "TÍCH CỰC 😊" if prob >= 0.5 else "TIÊU CỰC 😞"
            confidence = float(prob) if prob >= 0.5 else 1 - float(prob)

        st.markdown(f"### ✅ Dự đoán: **{label}**")
        st.markdown(f"**Độ tin cậy:** {confidence:.2%}")