app.py

import streamlit as st
from transformers import RobertaForSequenceClassification, RobertaTokenizer
import torch
import re
import streamlit as st
from PIL import Image

# Функция для загрузки модели
@st.cache_resource
def load_model():
    model_name = "models_cpp"  # Замените на путь к вашей модели
    model = RobertaForSequenceClassification.from_pretrained(model_name)
    tokenizer = RobertaTokenizer.from_pretrained(model_name)
    return model, tokenizer

# Функция для удаления комментариев из кода
def remove_comments(content):
    content = re.sub(r'//.*', '', content)
    content = re.sub(r'/\*.*?\*/', '', content, flags=re.DOTALL)
    return content

# Функция для форматирования кода
def format_code(code):
    content = remove_comments(code)
    lines = content.splitlines()
    joined_instructions = []
    current_instruction = []
    open_braces = 0
    open_parentheses = 0

    for line in lines:
        stripped_line = line.strip()
        if not stripped_line:
            continue

        open_braces += stripped_line.count('{')
        open_braces -= stripped_line.count('}')
        open_parentheses += stripped_line.count('(')
        open_parentheses -= stripped_line.count(')')

        current_instruction.append(stripped_line)

        if open_braces == 0 and open_parentheses == 0 and (stripped_line.endswith(';') or stripped_line.endswith('}') or stripped_line.endswith('{')):
            instruction = ' '.join(current_instruction).strip()
            joined_instructions.append(re.sub(r'\s+', ' ', instruction))
            current_instruction = []

    if current_instruction:
        instruction = ' '.join(current_instruction).strip()
        joined_instructions.append(re.sub(r'\s+', ' ', instruction))

    return '\n'.join(joined_instructions)

# Функция для классификации кода
def classify_code(model, tokenizer, code):
    formatted_code = format_code(code)
    inputs = tokenizer(formatted_code, return_tensors="pt")
    outputs = model(**inputs)
    prediction = torch.argmax(outputs.logits, dim=1).item()
    result = "Правильный" if prediction == 1 else "Неправильный"
    return result

# Интерфейс Streamlit
st.title("Классификатор кода")
st.markdown("Введите свой код в текстовое поле ниже и нажмите кнопку для классификации.")

# Ввод кода через текстовое поле
code_input = st.text_area("Введите ваш код здесь", height=300)

# Кнопка для классификации
if st.button("Классифицировать код"):
    model, tokenizer = load_model()  # Загрузка модели
    result = classify_code(model, tokenizer, code_input)
    st.write(f"Классификация: **{result}**")

st.markdown("---")  # Добавляет еще одну горизонтальную линию

# Заголовок и описание модели
st.title("Оценка модели для классификации кода")
st.markdown("""
Это приложение демонстрирует основные метрики качества обученной модели для классификации корректности кода.
Здесь представлены метрики, такие как Accuracy, Precision, Recall, F1-Score, ROC-кривая и матрица ошибок.
""")

st.header("Метрики модели")
metrics = {
    "Ошибка на обучающей выборке (Train Loss)": 0.2648,
    "Ошибка на тестовой выборке (Eval Loss)": 0.1514,
    "Точность (Accuracy)": 0.9545,
    "Полнота (Recall)": 0.9390,
    "Точность предсказаний (Precision)": 0.9694,
    "F1-мера (F1 Score)": 0.9539,
    "Логарифмическая потеря (Log Loss)": 1.3854,
    "Коэффициент корреляции Мэтьюса (MCC)": 0.9095,
    "Среднеквадратичная ошибка (MSE)": 7.9419,
    "Корень из среднеквадратичной ошибки (RMSE)": 2.8181,
    "Каппа Коэна (Cohen's Kappa)": 0.9090,
    "Точность в топ-5 (Top-5 Accuracy)": 1.0000,
    "Площадь под PR-кривой (PR AUC)": 0.9917,
    "Сбалансированная точность (Balanced Accuracy)": 0.9546,
    "Индекс Жаккара (Jaccard Index)": 0.9119
}

# Отображение метрик
for metric_name, value in metrics.items():
    st.write(f"**{metric_name}:** {value:.4f}")

# Вставка изображения ROC-кривой
st.header("ROC-кривая")
roc_image = Image.open("img_2.png")  # Замените на ваш путь к файлу изображения
st.image(roc_image, caption='ROC-кривая', use_column_width=True)

# Вставка изображения матрицы ошибок
st.header("Матрица ошибок")
confusion_image = Image.open("img_1.png")  # Замените на ваш путь к файлу изображения
st.image(confusion_image, caption='Матрица ошибок', use_column_width=True)


# Personal information at the bottom of the interface
st.markdown("---")  # Adds a horizontal line for separation
st.markdown("**Full Name:** ilgiz Sulaymanov")
st.markdown("**Place of Study:** Zhusup Balasagyn Kyrgyz National University")
st.markdown("**Email:** sulaymanovilgiz00@gmail.com")