app.py

import streamlit as st
import torch
import numpy as np
from transformers import AutoConfig, AutoModel, AutoTokenizer
from model import DualDistilBERTClassifier  # твоя модель
import pandas as pd
import os

# === Загружаем модель и токенизатор ===
# @st.cache_resource
# def load_model():
#     topic_labels_s = list(pd.read_json("label_list.json", typ="series"))
#     NUM_LABELS = len(topic_labels_s)
#     tokenizer_s = AutoTokenizer.from_pretrained("./best_model")
#     model_s = DualDistilBERTClassifier("distilbert-base-cased", NUM_LABELS)
#     model_s.load_state_dict(torch.load(os.path.join("./best_model", "pytorch_model.bin"), map_location="cpu"))
#
#     model_s.eval()
#     return topic_labels_s, tokenizer_s, model_s
@st.cache_resource
def load_model():
    topic_labels_s = list(pd.read_json("label_list.json", typ="series"))
    model = DualDistilBERTClassifier.from_pretrained("DeniSSio/outputs")
    tokenizer = AutoTokenizer.from_pretrained("DeniSSio/outputs")
    return topic_labels_s, tokenizer, model

topic_labels, tokenizer, model = load_model()

# === Интерфейс ===
st.title("Article Topic Classifier")
st.markdown("Введите **название** статьи и (опционально) **аннотацию**")

title = st.text_input("Title (обязательно)", placeholder="Quantum Entanglement in Neural Networks")
abstract = st.text_area("Abstract (опционально)", placeholder="This paper explores...")

if st.button("Классифицировать") and title.strip():
    with st.spinner("Анализируем..."):

        # Токенизация
        max_length = 256
        title_enc = tokenizer(title, truncation=True, padding='max_length',
                              max_length=max_length, return_tensors='pt')
        abstract_enc = tokenizer(abstract or "", truncation=True, padding='max_length',
                                 max_length=max_length, return_tensors='pt')

        # Прогон через модель
        with torch.no_grad():
            outputs = model(
                title_input_ids=title_enc['input_ids'],
                title_attention_mask=title_enc['attention_mask'],
                abstract_input_ids=abstract_enc['input_ids'],
                abstract_attention_mask=abstract_enc['attention_mask']
            )
            logits = outputs['logits']
            probs = torch.softmax(logits, dim=1).numpy()[0]

        # Создаём DataFrame с результатами
        df = pd.DataFrame({'topic': topic_labels, 'prob': probs})
        df = df.sort_values('prob', ascending=False).reset_index(drop=True)
        df['cum_prob'] = df['prob'].cumsum()

        # Берём минимальное число строк, чтобы сумма вероятностей ≥ 95%
        cutoff_idx = df[df['cum_prob'] >= 0.95].index[0]
        df_filtered = df.iloc[:cutoff_idx + 1]

        # Отображаем
        st.subheader("Результаты (Softmax):")
        for _, row in df_filtered.iterrows():
            st.write(f"**{row['topic']}** — вероятность: `{row['prob']:.3f}`")