Update app.py

app.py

@@ -21,6 +21,66 @@ print('Libraries called succesfully!!!!"')
 
 
 
+def t5_generate_summary(article_text):
+    input_ids = t5_tokenizer(
+    [WHITESPACE_HANDLER(article_text)],
+    return_tensors="pt",
+    padding="max_length",
+    truncation=True,
+    max_length=512)["input_ids"]
+    
+    output_ids = t5_model.generate(
+        input_ids=input_ids,
+        max_length=84,
+        no_repeat_ngram_size=2,
+        num_beams=4
+    )[0]
+    
+    output = t5_tokenizer.decode(
+    output_ids,
+    skip_special_tokens=True,
+    clean_up_tokenization_spaces=False
+    )
+
+    return output
+
+    
+def summarizer(dropdown_model, article_text):
+    """
+    Ruturs a summarized version from the full article based on the selected pretrained-model
+    """
+
+    if dropdown_model == 'camembert':
+        summary = camembert_generate_summary(article_text)
+
+    elif dropdown_model == 'T5':
+        summary = t5_generate_summary(article_text)
+
+    return summary
+    
+def extract_top_3(article):
+    nlp = spacy.load("fr_core_news_md")
+    # model = SentenceTransformer("dangvantuan/sentence-camembert-large") #
+
+    a= keyWordExtractor(article,
+                        n_gram = 1, 
+                        top_n = 3,
+                        ner = nlp,
+                        similarity_model = model)
+    keyword = ", ".join(a.top_n_keywords) #to return ['a' , 'b'] >> "a, b"
+    proper_nonuns = ", ".join(a.proper_noun_candidates)
+
+    return keyword, proper_nonuns
+
+
+def runall(dropdown_model, article_text):
+    summary = summarizer(dropdown_model, article_text)
+    keywords, proper_n = extract_top_3(article_text)
+
+    return summary, keywords, proper_n
+
+
+
 #set the device agnostics code
 device = 'cuda' if torch.cuda.is_available() else 'cpu'
 test_article ="""\"Un nuage de fumée juste après l’explosion, le 1er juin 2019. Une déflagration dans une importante usine d’explosifs du centre de la Russie a fait au moins 79 blessés samedi 1er juin. L’explosion a eu lieu dans l’usine Kristall à Dzerzhinsk, une ville située à environ 400 kilomètres à l’est de Moscou, dans la région de Nijni-Novgorod. « Il y a eu une explosion technique dans l’un des ateliers, suivie d’un incendie qui s’est propagé sur une centaine de mètres carrés », a expliqué un porte-parole des services d’urgence. Des images circulant sur les réseaux sociaux montraient un énorme nuage de fumée après l’explosion. Cinq bâtiments de l’usine et près de 180 bâtiments résidentiels ont été endommagés par l’explosion, selon les autorités municipales. Une enquête pour de potentielles violations des normes de sécurité a été ouverte. Fragments de shrapnel Les blessés ont été soignés après avoir été atteints par des fragments issus de l’explosion, a précisé une porte-parole des autorités sanitaires citée par Interfax. « Nous parlons de blessures par shrapnel d’une gravité moyenne et modérée », a-t-elle précisé. Selon des représentants de Kristall, cinq personnes travaillaient dans la zone où s’est produite l’explosion. Elles ont pu être évacuées en sécurité. Les pompiers locaux ont rapporté n’avoir aucune information sur des personnes qui se trouveraient encore dans l’usine."""
@@ -98,40 +158,6 @@ Merci Carrefour Quetigny.
 
 
 ###
-def summarizer(dropdown_model, article_text):
-    """
-    Ruturs a summarized version from the full article based on the selected pretrained-model
-    """
-
-    if dropdown_model == 'camembert':
-        summary = camembert_generate_summary(article_text)
-
-    elif dropdown_model == 'T5':
-        summary = t5_generate_summary(article_text)
-
-    return summary
-    
-def extract_top_3(article):
-    nlp = spacy.load("fr_core_news_md")
-    # model = SentenceTransformer("dangvantuan/sentence-camembert-large") #
-
-    a= keyWordExtractor(article,
-                        n_gram = 1, 
-                        top_n = 3,
-                        ner = nlp,
-                        similarity_model = model)
-    keyword = ", ".join(a.top_n_keywords) #to return ['a' , 'b'] >> "a, b"
-    proper_nonuns = ", ".join(a.proper_noun_candidates)
-
-    return keyword, proper_nonuns
-
-
-def runall(dropdown_model, article_text):
-    summary = summarizer(dropdown_model, article_text)
-    keywords, proper_n = extract_top_3(article_text)
-
-    return summary, keywords, proper_n
-