import gradio as gr from transformers import pipeline import re text_pipe = pipeline("text-classification", model="karalif/myTestModel", return_all_scores=True) def predict(text): greeting_pattern = r"^(Halló|Hæ|Sæl|Góða|Kær|Daginn|Kvöldið|Ágæt|Elsku)" greeting_feedback = "" results = text_pipe(text) all_scores = results[0] response = "" for result in all_scores: label = result['label'] score = result['score'] if label in ["Politeness"]: response += f"{label}: {score:.3f}
" # Light Green if label in ["Sentiment"]: response += f"{label}: {score:.3f}
" # Light Yellow if label in ["Formality"]: response += f"{label}: {score:.3f}
" # Light Blue if label in ["Toxicity"]: response += f"{label}: {score:.3f}
" # Light Red else: response += f"{label}: {score:.3f}
" if not re.match(greeting_pattern, text, re.IGNORECASE): greeting_feedback = "Heilsaðu dóninn þinn
" response += greeting_feedback return response description_html = """
""" textbox = gr.Textbox() demo = gr.Interface( fn=predict, inputs=gr.TextArea(label="Enter text here:"), outputs=gr.HTML(label="Leiðrétt"), description=description_html, examples=[ ["Það voru vitni að árásinni sem tilkynntu málið til lögreglu sem kom skjótt á vettvang."], ["Ég held þetta sé ekki góður tími fara heimsókn."], ["Sæl og blessuð Kristín, hvað er að frella af þér gamla??"], ["Hver á þenan bússtað? já eða nei."], ["Hafi þau svo látið gólfið þorna vel og síðan flotað það til lagfæringar eftir motturnar."], ], theme=gr.themes.Default(primary_hue="red", secondary_hue="pink") ) demo.launch()