File size: 7,053 Bytes
6c6aac8
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
import streamlit as st
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import pandas as pd
import matplotlib.pyplot as plt
from PIL import Image
import os
import numpy as np

model_path = 'srcs/model_modify.pth'

#  токенизатор
tokenizer = AutoTokenizer.from_pretrained('cointegrated/rubert-tiny-toxicity')

model = AutoModelForSequenceClassification.from_pretrained('cointegrated/rubert-tiny-toxicity', num_labels=1, ignore_mismatched_sizes=True)
# весов модифицированной модели
model.load_state_dict(torch.load(model_path, map_location=torch.device('cpu')), strict=False)
image = Image.open("media/oritoxic.jpg")

# df = pd.read_csv("media/Toxic_labeled.csv")
loss_values = [0.4063596375772262, 0.402279906166038, 0.3998144585561736, 0.39567733055365567,
               0.3921396666608141, 0.38956182373070186, 0.3866641920902114, 0.3879134839351564,
               0.38288725781591604, 0.38198364493999004]

#Боковая панель
selected_option = st.sidebar.selectbox("Выберите из списка", ["Определение токсичность текста", "Информация о датасете", "Информация о модели"])

#st.title("Главная страница")


if selected_option == "Определение токсичность текста":


    st.markdown("<h1 style='text-align: center;'>Приложение для определения токсичности текста</h1>",
                unsafe_allow_html=True)
    st.image(image, use_column_width=True)
    user_input = st.text_area("")


    # Функция предсказания токсичности

    def predict_toxicity(text):
        inputs = tokenizer(text, return_tensors="pt")
        outputs = model(**inputs)
        logits = outputs.logits
        probability = torch.sigmoid(logits).item()
        prediction = "токсичный" if probability >= 0.5 else "не токсичный"
        return prediction, probability
    # Тык на кнопу
    if st.button("Оценить токсичность"):
        if user_input:
            prediction, toxicity_probability = predict_toxicity(user_input)
            st.write(f'Вероятность токсичности: {toxicity_probability:.4f}')

    # Прогресс бар
    if 'toxicity_probability' in locals():
        progress_percentage = int(toxicity_probability * 100)
        progress_bar_color = f'linear-gradient(to right, rgba(0, 0, 255, 0.5) {progress_percentage}%, rgba(255, 0, 0, 0.5) {progress_percentage}%)'
        st.markdown(f'<div style="background: {progress_bar_color}; height: 20px; border-radius: 5px;"></div>',
                    unsafe_allow_html=True)

elif selected_option == "Информация о датасете":
    st.header("Информация о датасете:")
    st.dataframe(df.head())
    st.write(f"Объем выборки: 14412")
    st.subheader("Баланс классов в датасете:")
    st.write(f"Количество записей в классе 0.0: {len(df[df['toxic'] == 0.0])}")
    st.write(f"Количество записей в классе 1.0: {len(df[df['toxic'] == 1.0])}")
    fig, ax = plt.subplots()
    df['toxic'].value_counts().plot(kind='bar', ax=ax, color=['skyblue', 'orange'])
    ax.set_xticklabels(['Не токсичный', 'Токсичный'], rotation=0)
    ax.set_xlabel('Класс')
    ax.set_ylabel('Количество записей')
    ax.set_title('Распределение по классам')
    st.pyplot(fig)

elif selected_option == "Информация о модели":
    st.subheader("Информация о модели:")
    st.write(f"Модель: Rubert tiny toxicity")
    st.subheader("Информация о процессе обучения")

# график лосса
#st.subheader("График потерь в процессе обучения")
#st.line_chart([0.5181976270121774, 0.4342067330899996, 0.41386983832460666])  # Замените данными из ваших эпох
    for epoch, loss in enumerate(loss_values, start=1):
        st.write(f"<b>Epoch {epoch}/{len(loss_values)}, Loss:</b> {loss}<br>", unsafe_allow_html=True)
    st.markdown(
        """
        <b>Количество эпох:</b> 10
        <b>Размер батча:</b> 8
        <b>Оптимизатор:</b> Adam
        <b>Функция потерь:</b> BCEWithLogitsLoss
        <b>learning rate:</b> 0.00001
        """,
        unsafe_allow_html=True
    )

    st.subheader("Метрики модели:")
    st.write(f"Accuracy: {0.8366:.4f}")
    st.write(f"Precision: {0.8034:.4f}")
    st.write(f"Recall: {0.6777:.4f}")
    st.write(f"F1 Score: {0.7352:.4f}")


    st.subheader("Код")


    bert_model_code = """
    
    model = BertModel(
        embeddings=BertEmbeddings(
            word_embeddings=Embedding(29564, 312, padding_idx=0),
            position_embeddings=Embedding(512, 312),
            token_type_embeddings=Embedding(2, 312),
            LayerNorm=LayerNorm((312,), eps=1e-12, elementwise_affine=True),
            dropout=Dropout(p=0.1, inplace=False),
        ),
        encoder=BertEncoder(
            layer=ModuleList(
                BertLayer(
                    attention=BertAttention(
                        self=BertSelfAttention(
                            query=Linear(in_features=312, out_features=312, bias=True),
                            key=Linear(in_features=312, out_features=312, bias=True),
                            value=Linear(in_features=312, out_features=312, bias=True),
                            dropout=Dropout(p=0.1, inplace=False),
                        ),
                        output=BertSelfOutput(
                            dense=Linear(in_features=312, out_features=312, bias=True),
                            LayerNorm=LayerNorm((312,), eps=1e-12, elementwise_affine=True),
                            dropout=Dropout(p=0.1, inplace=False),
                        ),
                    ),
                    intermediate=BertIntermediate(
                        dense=Linear(in_features=312, out_features=600, bias=True),
                        intermediate_act_fn=GELUActivation(),
                    ),
                    output=BertOutput(
                        dense=Linear(in_features=600, out_features=312, bias=True),
                        LayerNorm=LayerNorm((312,), eps=1e-12, elementwise_affine=True),
                        dropout=Dropout(p=0.1, inplace=False),
                    ),
                )
            )
        ),
        pooler=BertPooler(
            dense=Linear(in_features=312, out_features=312, bias=True),
            activation=Tanh(),
        ),
        dropout=Dropout(p=0.1, inplace=False),
        classifier=Linear(in_features=312, out_features=1, bias=True),
    )
    """

    # Отображение кода в Streamlit
    st.code(bert_model_code, language="python")