Models/toxic1.py

# toxic.py
import streamlit as st
import numpy as np
import pandas as pd
import time
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_t_checkpoint = 'cointegrated/rubert-tiny-toxicity'
tokenizer_t = AutoTokenizer.from_pretrained(model_t_checkpoint)
model_t = AutoModelForSequenceClassification.from_pretrained(model_t_checkpoint)

def text2toxicity(text, aggregate=True):
    with torch.no_grad():
        inputs = tokenizer_t(text, return_tensors='pt', truncation=True, padding=True).to('cpu')
        proba = torch.sigmoid(model_t(**inputs).logits).cpu().numpy()
    if isinstance(text, str):
        proba = proba[0]
    if aggregate:
        return 1 - proba.T[0] * (1 - proba.T[-1])
    return proba

def toxicity_page():
    st.title("""
    Определим токсичный комментарий или нет
    """)
    user_text_input = st.text_area('Введите ваш отзыв здесь:')

    if st.button('Предсказать'):
        start_time = time.time()
        proba = text2toxicity(user_text_input, True)
        end_time = time.time()
        prediction_time = end_time - start_time

        if proba >= 0.5:
            st.write(f'Степень токсичности комментария: {round(proba, 2)} – комментарий токсичный.')
            st.image('Data/maxresdefault.jpg')
        else:
            st.write(f'Степень токсичности комментария: {round(proba, 2)} – комментарий не токсичный.')
            st.image('Data/c793397a-39df-5ff7-8137-e59568352c11.jpeg')
        st.write(f'Время предсказания: {prediction_time:.4f} секунд')

    st.markdown("<h3 style='font-size: 18px;'>Ссылка на Токсичный бот</h3>", unsafe_allow_html=True)
    st.markdown("[Токсичный бот](https://t.me/toxic1101_bot)")