nlp_project / pages /toxicapp.py
jeydipak's picture
pages
6c6aac8
raw
history blame
7.05 kB
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")