Update app.py

app.py

@@ -1,45 +1,84 @@
 from transformers import pipeline
 
-class TextProcessor:
-    """
-    Класс для обработки текста с использованием моделей GPT-Neo, T5 и BERT.
-    """
-    def __init__(self, api_key=None):
-        """
-        Инициализирует объект TextProcessor.
-        """
-        self.api_key = api_key
-        self.model_gpt = pipeline("text-generation", model="EleutherAI/gpt-neo-125M")
-        self.model_t5 = pipeline("text2text-generation", model="t5-base")
-        self.model_bert = pipeline("fill-mask", model="bert-base-uncased")
+# Список тем для анализа
+s = [
+    "Деконструкция чужих мыслей",
+    "Работа с парадоксами",
+    "Установка умных ограничений",
+    "Циклическая обратная связь",
+    "Минимизация информации",
+    "Мобильные библиотеки",
+    "Интервью с самим собой",
+    "Использование 'периода тишины'",
+    "Переработка старых проектов",
+    "Метод заземления",
+    "Реверсивное мышление",
+    "Работа с случайностями",
+    "Персонализированные алгоритмы",
+    "Использование времени с минимальной активностью",
+    "Анализ с позиции 'невыносимой лёгкости бытия'",
+    "Создание креативных фрагментов",
+    "Метод 'ошибки с первого раза'",
+    "Медитативный подход к созданию контента",
+    "Процесс разрыва шаблонов",
+    "Принцип 'меньше — больше'",
+    "Использование аналога для сложных идей",
+    "Копирование ошибок успешных людей",
+    "Картирование знаний через визуальные образы",
+    "Задачи, заставляющие мозг работать под давлением",
+    "Анализ поведения людей в стрессовых ситуациях",
+    "Кросс-дисциплинарное мышление",
+    "Картирование эмоций",
+    "Использование случайных встреч для изучения",
+    "Фиксация успешных решений на бумаге",
+    "Использование игры в жизни",
+    "Процесс 'максимизации ресурса'",
+    "Управление временем через шаблоны",
+    "Персонализированная техника памяти",
+    "Техники амнезии",
+    "Системы контроля 'изнутри'",
+    "Переосмысление стандартных ролей",
+    "Использование тишины как инструмента для мыслей",
+    "'Переход через время'",
+    "Процесс 'расширения горизонтов'",
+    "Техника взрывной генерации идей",
+    "Техника обратного создания",
+    "Интервью с вещами"
+]
 
-    def process_text(self, step, text):
-        """
-        Обрабатывает текст с использованием выбранной модели.
-        """
-        if step == 1:
-            # Пример генерации текста с помощью GPT-Neo
-            gpt_result = self.model_gpt(text, max_length=100)
-            return gpt_result
-        elif step == 2:
-            # Пример генерации текста с помощью T5 (например, для резюмирования)
-            t5_result = self.model_t5(text)
-            return t5_result
-        elif step == 3:
-            # Пример заполнения пропусков с помощью BERT
-            bert_result = self.model_bert(text)
-            return bert_result
-        else:
-            return "Unknown step"
+# Модели для обработки 
+model_gpt = pipeline("text-generation", model="EleutherAI/gpt-neo-125M")
+model_t5 = pipeline("text2text-generation", model="t5-base")
+model_bert = pipeline("fill-mask", model="bert-base-uncased")
 
-# Пример использования
-if __name__ == "__main__":
-    api_key = "your_api_key_here"  # Здесь укажите свой API-ключ, если необходимо
+# Создание списка вопросов
+questions = [
+    "Как вы понимаете этот принцип?",
+    "Как этот принцип может быть применен в реальной жизни?",
+    "Какие преимущества и недостатки этого принципа?",
+    "Какие примеры применения этого принципа?",
+    "Как вы можете использовать этот принцип в своей работе?",
+]
 
-    text_input = "Your text input here."  # Ваш текст для анализа
+# Обработка каждого пункта и формирование ответов
+responses = []
+for i, item in enumerate(s):
+    # Генерируем вопрос
+    question = questions[i % len(questions)]
 
-    processor = TextProcessor(api_key)
+    # Выбираем модель для обработки в зависимости от номера пункта
+    if i % 3 == 0:
+        result = model_gpt(f"{item} {question}", max_length=100)
+        responses.append(f"**{item}:** {result[0]['generated_text']}")
+    elif i % 3 == 1:
+        result = model_t5(f"{item} {question}")
+        responses.append(f"**{item}:** {result[0]['generated_text']}")
+    else:
+        result = model_bert(f"{item} {question}")
+        responses.append(f"**{item}:** {result[0]['sequence']}")
 
-    for step in range(1, 4):  # Проходим по шагам с 1 до 3
-        result = processor.process_text(step, text_input)
-        print(f"Result from step {step}: {result}")
+# Создание итогового текста
+final_text = "\n".join(responses)
+
+# Вывод итогового текста
+print(final_text)