Upload app.py

app.py

@@ -165,8 +165,7 @@ demo = gr.Interface(builder, inputs=[gr.inputs.Dropdown(['Default', 'Eng', 'Kor'
                     # outputs='label',
                     title=title, description=description, examples=examples)
 
-def fn2(a, b):
-    return [None, None, None]
+
 
 with gr.Blocks() as demo1:
     gr.Markdown(
@@ -178,51 +177,27 @@ with gr.Blocks() as demo1:
 
     gr.Markdown(
     """
-    해당 사이트에서는 영화 리뷰를 입력했을 때, 긍정적인 리뷰인지 부정적인 리뷰인지 판별 해준다.
+    영화 리뷰를 입력하면, 리뷰가 긍정인지 부정인지 판별해주는 모델이다. \
+    영어와 한글을 지원하며, 언어를 직접 선택할수도, 혹은 모델이 언어감지를 직접 하도록 할 수 있다.  
+    리뷰를 입력하면, (1) 감지된 언어, (2) 긍정 리뷰일 확률과 부정 리뷰일 확률, (3) 입력된 리뷰의 어느 단어가 긍정/부정 결정에 영향을 주었는지 \
+    (긍정일 경우 빨강색, 부정일 경우 파란색)를 확인할 수 있다.
     """)
 
-
-    with gr.Row():
-        gr.Markdown(
-        """
-        ### 입력(Lang, Text)에 대한 설명
-        가운데를 기준으로 왼쪽에 있는 칸들은 입력에 해당한다.  
-        * ‘Lang’은 자신이 입력할 언어를 선택하는 것이다. 기입이 없을 경우(Default)에는 한국어인지 영어인지 오른쪽 박스 ‘Lang’에서 판단 해준다.  
-        * ‘Text’는 영화 리뷰를 입력하는 곳이다. 입력을 마치고 제출하기 버튼을 누르면 결과를 분석할 수 있다.
-        """)
-        gr.Markdown(
-        """
-        ### 출력(Lang, Result, Analysis)에 대한 설명
-        가운데를 기준으로 오른쪽에 있는 칸들은 출력에 해당한다. 
-        * ‘Lang’은 왼쪽 입력에서 언어를 선택할 때, 한국어를 선택했으면 100% Kor, 영어를 선택했다면 100%% Eng 이다. 
-            만약 Default를 선택했다면 한국어인지 영어인지 판단 해준다. 
-            이 방법은 [해당 사이트](https://medium.com/@c.chaitanya/language-identification-in-python-using-fasttext-60359dc30ed0)에 있는 패키지를 사용했다.
-        * ‘Result’는 두 모델(Kor, Eng)을 이용해서 긍정 리뷰 또는 부정 리뷰를 판단했다. (모델에 대해 더 알고 싶으면 밑에서 확인하길 바란다.)
-        * ‘Analysis’는 입력한 리뷰의 긍정 또는 부정을 결정될 때, 어떤 단어에 의해서 결정 되었는지 강조 해준다. 
-            즉, 영향을 준 단어에 대해서는 얼마나 긍정적인(또는 부정적인) 영향을 주었는지 강조되어 있다. 
-            ( 긍정인 경우 붉은색(+++, ++, +), 부정인 경우 파란색(---,--,-) )
-        """)
-
-    with gr.Accordion("모델에 대한 설명"):
+    with gr.Accordion(label="모델에 대한 설명", open=False):
         gr.Markdown(
         """
-        ' | Kor | Eng 
-        :---:|:---:|:---:
-        Model Name | klue/roberta-base | bert-base-uncased
-        Learning Rate | 3e-05 | 5e-5
-        Batch Size Train | 64 | 64
-        Steps | 2800 | 2000
-        Batch Size Test | 4 | 4
-        Validation Accuracy | 93.55% | 95.81%
-        Test Accuracy | 94.0% | 92.8%
+        영어 모델은 bert-base-uncased 기반으로, 영어 영화 리뷰 분석 데이터셋인 SST-2로 학습 및 평가되었다.  
+        한글 모델은 klue/roberta-base 기반이다. 기존 한글 영화 리뷰 분석 데이터셋이 존재하지 않아, 네이버 영화의 리뷰를 크롤링해서 영화 리뷰 분석 데이터셋을 제작하고, 이를 이용하여 모델을 학습 및 평가하였다.  
+        영어 모델은 SST-2에서 92.8%, 한글 모델은 네이버 영화 리뷰 데이터셋에서 94%의 정확도를 가진다 (test set 기준).  
+        언어감지는 fasttext의 language detector를 사용하였다. 리뷰의 단어별 영향력은, 단어 각각을 모델에 넣었을 때 결과가 긍정으로 나오는지 부정으로 나오는지를 바탕으로 측정하였다.
         """)
 
     with gr.Row():
         with gr.Column():
-            inputs_1 = gr.inputs.Dropdown(['Default', 'Eng', 'Kor'], label='Lang')
+            inputs_1 = gr.Dropdown(choices=['언어감지 기능 사용', 'Eng', 'Kor'], value='언어감지 기능 사용', label='Lang')
             inputs_2 = gr.Textbox(placeholder="리뷰를 입력하시오.", label='Text')
             with gr.Row():
-                btn2 = gr.Button("클리어")
+                # btn2 = gr.Button("클리어")
                 btn = gr.Button("제출하기")
         with gr.Column():
             output_1 = gr.Label(num_top_classes=3, label='Lang')