fix pro efficientamento

app.py

@@ -4,11 +4,15 @@ from src.dataset import LoadDataset
 from sklearn.metrics import accuracy_score
 import gradio as gr
 
-model = Modello()
-dataset = LoadDataset()
+#model = Modello()
+#dataset = LoadDataset()
+model = None
+dataset = None
 
-X = dataset.X
-y = dataset.y
+X = None
+y = None
+#X = dataset.X
+#y = dataset.y
 # y_pred = model.predict(X)
 y_pred   = ['negative', 'neutral', 'positive','negative', 'neutral', 'positive','negative', 'neutral', 'positive','positive']
 
@@ -22,13 +26,21 @@ def predict_tweet(tweet,esito_atteso) :
     acc_new = f"{accuracy_score(y, y_pred)}"
     return y_new,acc_new
 
-demo = gr.Interface(
-    fn=predict_tweet,
-    inputs=[gr.Textbox(label="Tweet"),gr.Dropdown(choices=valori,label="Esito atteso")],
-    outputs=[gr.Textbox(label="Previsione modello"),gr.Textbox(label="Ricalcolo accuracy")],
-    flagging_mode = 'never'
-)
+
 
 if __name__ == "__main__":
-    print("DEBUG")
+    print("Avvio caricamento componenti...")
+    model = Modello()
+    dataset = LoadDataset()
+    X = dataset.X
+    y = dataset.y
+
+    demo = gr.Interface(
+        fn=predict_tweet,
+        inputs=[gr.Textbox(label="Tweet"),gr.Dropdown(choices=valori,label="Esito atteso")],
+        outputs=[gr.Textbox(label="Previsione modello"),gr.Textbox(label="Ricalcolo accuracy")],
+        flagging_mode = 'never'
+    )
+
+    print("Lancio")
     demo.launch()

src/dataset.py

@@ -6,18 +6,19 @@ class LoadDataset :
     Classe utilizzata per scaricare il dataset e rendere disponibili set di train e set di test
     """
 
-    # Import del da Hugging Face
-    # Prendo solo 200 record per problemi di timeout in fase di caricamento su HuggingFace di un dataset troppo grosso
-    ds = load_dataset("SetFit/tweet_sentiment_extraction", split="train", streaming=True).take(10)
+    def __init__(self) :
+        # Import del dataset da Hugging Face
+        # Prendo solo 200 record per problemi di timeout in fase di caricamento su HuggingFace di un dataset troppo grosso
+        self.ds = load_dataset("SetFit/tweet_sentiment_extraction", split="train", streaming=True).take(10)
 
-    # Per comodità trasformo il dataset in un dataframe di pandas
-    # df = ds.to_pandas()
-    df = pd.DataFrame(list(ds))
+        # Per comodità trasformo il dataset in un dataframe di pandas
+        # df = ds.to_pandas()
+        self.df = pd.DataFrame(list(self.ds))
 
-    # Identifico feature e target
-    X = df['text'].values
-    y = df['label_text'].values
+        # Identifico feature e target
+        self.X = self.df['text'].tolist()
+        self.y = self.df['label_text'].tolist()
 
-    # Considero solo una parte del dataset per motivi prestazionali
-    X = X.tolist()
-    y = y.tolist()
+        # Considero solo una parte del dataset per motivi prestazionali
+        #X = X.tolist()
+        #y = y.tolist()