Update app.py

app.py

@@ -413,29 +413,78 @@ class CascadeEmotionClassifier:
         }
 
 # ============================================================
-# ЗАГРУЗКА МОДЕЛИ (с загрузкой сохранённой онтологии)
+# ЗАГРУЗКА МОДЕЛИ (с совместимым загрузчиком для numpy)
 # ============================================================
 
 def load_model():
     print("Загрузка модели...")
     model_dir = 'model'
     
+    # Создаём совместимый unpickler для numpy
+    import numpy as np
+    
+    class NumpyCompatUnpickler(pickle.Unpickler):
+        def find_class(self, module, name):
+            # Перенаправляем numpy.core на numpy
+            if module == 'numpy.core':
+                module = 'numpy'
+            elif module.startswith('numpy.core.'):
+                module = 'numpy.' + module.split('.')[-1]
+            try:
+                return super().find_class(module, name)
+            except (ImportError, AttributeError):
+                # Если не нашли, пробуем через __import__
+                try:
+                    mod = __import__(module, fromlist=[name])
+                    return getattr(mod, name)
+                except (ImportError, AttributeError):
+                    # Последняя попытка: ищем в numpy
+                    if hasattr(np, name):
+                        return getattr(np, name)
+                    raise
+    
+    # Загружаем информацию о модели
     with open(f'{model_dir}/model_info.json', 'r', encoding='utf-8') as f:
         model_info = json.load(f)
     
+    # Загружаем vocab
     with open(f'{model_dir}/vocab.json', 'r', encoding='utf-8') as f:
         vocab = json.load(f)
     
-    with open(f'{model_dir}/label_encoder.pkl', 'rb') as f:
-        label_encoder = pickle.load(f)
+    # Загружаем label_encoder с совместимостью
+    print("📂 Загрузка label_encoder...")
+    try:
+        with open(f'{model_dir}/label_encoder.pkl', 'rb') as f:
+            label_encoder = pickle.load(f)
+        print("✅ label_encoder загружен")
+    except Exception as e:
+        print(f"⚠️ Ошибка: {e}, пробуем совместимый режим...")
+        try:
+            with open(f'{model_dir}/label_encoder.pkl', 'rb') as f:
+                label_encoder = NumpyCompatUnpickler(f).load()
+            print("✅ label_encoder загружен в совместимом режиме")
+        except Exception as e2:
+            print(f"❌ Не удалось загрузить label_encoder: {e2}")
+            raise
     
-    # Загружаем сохранённую онтологию
+    # Загружаем онтологию с совместимостью
     print("📂 Загрузка сохранённой онтологии...")
-    with open(f'{model_dir}/ontology_model.pkl', 'rb') as f:
-        ontology_model = pickle.load(f)
-    print("✅ Онтология загружена")
+    try:
+        with open(f'{model_dir}/ontology_model.pkl', 'rb') as f:
+            ontology_model = pickle.load(f)
+        print("✅ Онтология загружена")
+    except Exception as e:
+        print(f"⚠️ Ошибка загрузки онтологии: {e}, пробуем совместимый режим...")
+        try:
+            with open(f'{model_dir}/ontology_model.pkl', 'rb') as f:
+                ontology_model = NumpyCompatUnpickler(f).load()
+            print("✅ Онтология загружена в совместимом режиме")
+        except Exception as e2:
+            print(f"❌ Не удалось загрузить онтологию: {e2}")
+            raise
     
     # LSTM
+    print("📂 Загрузка LSTM...")
     lstm_model = EmotionLSTM(
         vocab_size=len(vocab),
         embed_dim=model_info.get('embed_dim', 300),
@@ -444,21 +493,39 @@ def load_model():
         dropout=0.3,
         num_layers=2
     )
-    checkpoint = torch.load(f'{model_dir}/lstm_model.pth', map_location=device, weights_only=False)
-    lstm_model.load_state_dict(checkpoint['model_state_dict'])
+    try:
+        checkpoint = torch.load(f'{model_dir}/lstm_model.pth', map_location=device, weights_only=False)
+        lstm_model.load_state_dict(checkpoint['model_state_dict'])
+        print("✅ LSTM загружена")
+    except Exception as e:
+        print(f"❌ Ошибка загрузки LSTM: {e}")
+        raise
     
     # BERT
+    print("📂 Загрузка BERT...")
     bert_model = EmotionBERT(
         bert_model_name=model_info['bert_model_name'],
         num_classes=model_info['num_classes'],
         dropout=0.3
     )
-    bert_model.load_state_dict(torch.load(f'{model_dir}/bert_model.pth', map_location=device, weights_only=False))
+    try:
+        bert_model.load_state_dict(torch.load(f'{model_dir}/bert_model.pth', map_location=device, weights_only=False))
+        print("✅ BERT загружена")
+    except Exception as e:
+        print(f"❌ Ошибка загрузки BERT: {e}")
+        raise
     
     # Токенизатор
-    tokenizer = BertTokenizer.from_pretrained(model_dir)
+    print("📂 Загрузка токенизатора...")
+    try:
+        tokenizer = BertTokenizer.from_pretrained(model_dir)
+        print("✅ Токенизатор загружен")
+    except Exception as e:
+        print(f"❌ Ошибка загрузки токенизатора: {e}")
+        raise
     
     # Каскад
+    print("📂 Создание каскадного классификатора...")
     cascade = CascadeEmotionClassifier(
         lstm_model=lstm_model,
         bert_model=bert_model,
@@ -472,7 +539,7 @@ def load_model():
         max_length_bert=model_info.get('max_length_bert', 128)
     )
     
-    print("✅ Модель загружена!")
+    print("✅ Модель успешно загружена!")
     return cascade, model_info
 
 # ============================================================