import streamlit as st
#from transformers import pipeline

#Nombre_modelo = 'pysentimiento/robertuito-sentiment-analysis'

st.title("Ejercicio interfaz transformers pipeline")

model_options = [
    "facebook/bart-large-mnli",
    "roberta-large-mnli",
    "cross-encoder/nli-roberta-base"
]
# Seleccionar el modelo del pipeline
selected_model = st.selectbox("Selecciona un modelo", model_options)
#funcion eleccion del modelo
def load_pipeline(model_name):
    return pipeline("zero-shot-classification", model=model_name, device=0)

#asignacion del modelo a usar
classifier = load_pipeline(selected_model)

# Entrada de texto para la oración
nombre = st.text_input("Ingrese un nombre a clasificar:")

candidate_labels = st.text_area(
    "Ingresa las categorías separadas por comas:",
    placeholder="Ejemplo: biology, movies, technology"
)

# Botón para clasificar
if st.button("Clasificar"):
    if sentence and candidate_labels:
        # Procesar las categorías ingresadas por el usuario
        labels = [label.strip() for label in candidate_labels.split(",")]

        # Obtener las predicciones
        result = classifier(sentence, candidate_labels=labels)

        # Mostrar los resultados
        st.subheader("Resultados de Clasificación")
        for label, score in zip(result["labels"], result["scores"]):
            st.write(f"**{label}**: {score:.2f}")
    else:
        st.warning("Por favor, ingresa una oración y categorías válidas.")

        
#Clasificador =  pipeline('sentiment-analysis', model = Nombre_modelo,device='cuda')
#Res=Cla("sundays are good day for relaxing")
#print(Res)