update app_task-2 v3

README.md

@@ -10,6 +10,7 @@ pinned: false
 app_port: 8501
 tags:
 - streamlit
+app_file: app.py
 short_description: Streamlit template space
 license: unknown
 ---

pages/app_task-2.py

@@ -27,7 +27,7 @@ warnings.filterwarnings('ignore')
 import matplotlib.pyplot as plt
 import seaborn as sns
 from tqdm import tqdm
-from huggingface_hub import login, whoami
+from huggingface_hub import login, whoami, model_info
 
 # Очистка кеша при запуске
 cache_dir = "/app/.cache/transformers"
@@ -38,25 +38,21 @@ if os.path.exists(cache_dir):
     except:
         pass
 
-def check_hf_auth():
-    """Проверка аутентификации HuggingFace"""
-    hf_token = os.getenv('HUGGINGFACE_HUB_TOKEN')
-    
-    if not hf_token:
-        st.error("❌ HuggingFace токен не найден")
-        return False
-    
+def check_model_access(model_name):
+    """Проверка доступа к модели"""
     try:
-        login(token=hf_token)
-        user_info = whoami(token=hf_token)
-        st.success(f"✅ Авторизован как: {user_info['name']}")
+        info = model_info(model_name)
+        st.info(f"✅ Модель найдена: {info.modelId}")
+        if info.private:
+            st.warning("⚠️ Модель приватная - убедитесь в правах доступа")
         return True
     except Exception as e:
-        st.error(f"❌ Ошибка авторизации: {str(e)}")
+        st.error(f"❌ Ошибка доступа к модели {model_name}: {str(e)}")
         return False
 
-# Проверка перед загрузкой модели
-if not check_hf_auth():
+# Проверка модели
+model_name = "pampad/mymodel_ruber_tt_1label"
+if not check_model_access(model_name):
     st.stop()
 
 device = 'cuda' if torch.cuda.is_available() else 'cpu'
@@ -68,20 +64,34 @@ tokenizer_rtt = AutoTokenizer.from_pretrained(model_name)
 model_full.eval()
 
 # функцция предсказания модели на основе полученного текста
-def text2toxicity(text, model=model_full):
-    probably_box = []
-    with torch.no_grad():
-        # Токенизируем текст и перемещаем на нужное устройство
-        inputs = tokenizer_rtt(text, return_tensors='pt', truncation=True, padding=True).to(device)
-        # Токенизируем текст и перемещаем на нужное устройство
-        proba = torch.sigmoid(model(**inputs).logits).squeeze(1).cpu().numpy()
-    for p in proba:
-        if p > 0.5:
-            probably_box.append(f'Оскорбительный, p={p:.2f}')
-        else:
-            probably_box.append(f'Не оскорбительный, p={p:.2f}')
-    return pd.DataFrame({'Исходный текст': text, 
-                         'Прогноз': probably_box})
+def text2toxicity(text):
+    """Определение токсичности текста"""
+    try:
+        inputs = tokenizer_rtt(
+            text, 
+            return_tensors="pt", 
+            truncation=True, 
+            padding=True, 
+            max_length=512
+        )
+        
+        with torch.no_grad():
+            outputs = model_full(**inputs)
+            # Для бинарной классификации - извлекаем единственное значение
+            proba = torch.sigmoid(outputs.logits).squeeze().cpu().numpy()
+            
+            # Если это массив с одним элементом, извлекаем скаляр
+            if isinstance(proba, np.ndarray):
+                if proba.ndim == 0:  # скаляр
+                    return float(proba)
+                else:  # массив
+                    return float(proba[0])  # берем первый элемент
+            else:
+                return float(proba)
+                
+    except Exception as e:
+        st.error(f"Ошибка при анализе текста: {str(e)}")
+        return 0.0
 
 # **STREAMLIT**
 
@@ -91,7 +101,11 @@ st.header('Расчет вероятности токсичности текст
 
 txt_box = st.text_input("Вставьте текст в рамку для расчета вероятности")
 if txt_box:
-    st.write(text2toxicity(txt_box))
+    p = text2toxicity(txt_box)
+    if p > 0.5:
+        st.write(f"Текст токсичный, p={p}")
+    else:
+        st.write(f"Текст не токсичный, p={p}")
 
 uploaded_file = st.file_uploader("Выберите файл в формате *.txt", type='txt')
 if uploaded_file is not None: