# Turkish Zero-Shot Text Classification with XLM-RoBERTa

from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
import sentencepiece
import torch
import plotly.graph_objects as go
import streamlit as st

text_1 = """Bilim insanları Botsvana’da Covid-19’un şu ana kadar en çok mutasyona uğramış varyantını tespit etti. \
Resmi olarak B.1.1.529 koduyla bilinen bu varyantı ise “Nu varyantı” adı verildi. Uzmanlar bu varyant içerisinde \
tam 32 farklı mutasyon tespit edildiğini açıklarken, bu virüsün corona virüsü aşılarına karşı daha dirençli olabileceğini duyurdu."""

text_2 = """Şampiyonlar Ligi’nde 5. hafta oynanan karşılaşmaların ardından sona erdi. Real Madrid, Inter ve Sporting \
oynadıkları mücadeleler sonrasında Son 16 turuna yükselmeyi başardı. Gecenin dev mücadelesinde ise Manchester City, \
PSG’yi yenerek liderliği garantiledi."""

@st.cache(allow_output_mutation=True)
def list2text(label_list):
    labels = ""
    for label in label_list:
        labels = labels + label + ","
    labels = labels[:-1]
    return labels

label_list_1 = ["dünya", "ekonomi", "kültür", "sağlık", "siyaset", "spor", "teknoloji"]
label_list_2 = ["positive", "negative", "neutral"]

st.title("Turkish Zero-Shot Text Classification \
    with Multilingual XLM-RoBERTa and mDeBERTa Models")

model_list = ['vicgalle/xlm-roberta-large-xnli-anli',
             'joeddav/xlm-roberta-large-xnli',
             'MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7']

st.sidebar.header("Select Model")
model_checkpoint = st.sidebar.radio("", model_list)

st.sidebar.write("For details of models:")
st.sidebar.write("https://huggingface.co/vicgalle")
st.sidebar.write("https://huggingface.co/joeddav")
st.sidebar.write("https://huggingface.co/MoritzLaurer")

st.sidebar.write("For XNLI Dataset:")
st.sidebar.write("https://huggingface.co/datasets/xnli")

st.subheader("Select Text and Label List")
st.text_area("Text #1", text_1, height=128)
st.text_area("Text #2", text_2, height=128)
st.write(f"Label List #1: {list2text(label_list_1)}")
st.write(f"Label List #2: {list2text(label_list_2)}")

text = st.radio("Select Text", ("Text #1", "Text #2", "New Text"))
labels = st.radio("Select Label List", ("Label List #1", "Label List #2", "New Label List"))

if text == "Text #1": selected_text = text_1
elif text == "Text #2": selected_text = text_2
elif text == "New Text":
    selected_text = st.text_area("New Text", value="", height=128)

if labels == "Label List #1": selected_labels = label_list_1
elif labels == "Label List #2": selected_labels = label_list_2
elif labels == "New Label List":
    selected_labels = st.text_area("New Label List (Pls Input as comma-separated)", value="", height=16).split(",")

@st.cache(allow_output_mutation=True)
def setModel(model_checkpoint):
    model = AutoModelForSequenceClassification.from_pretrained(model_checkpoint)
    tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)
    return pipeline("zero-shot-classification", model=model, tokenizer=tokenizer)
        
Run_Button = st.button("Run", key=None)
if Run_Button == True:
    
    zstc_pipeline = setModel(model_checkpoint)
    output = zstc_pipeline(sequences=selected_text, candidate_labels=selected_labels)
    output_labels = output["labels"]
    output_scores = output["scores"]

    st.header("Result")
    import plotly.graph_objects as go
    fig = go.Figure([go.Bar(x=output_labels, y=output_scores)])
    st.plotly_chart(fig, use_container_width=False, sharing="streamlit")