Update app.py

app.py

@@ -72,7 +72,7 @@ model = torch.load("pytorch_distilbert_news (3).bin", map_location=torch.device(
 #     num_labels=8,
 #     return_dict=False)
 
-def get_predict(text):
+def get_predict(title, abstract):
     tokenizer = DistilBertTokenizer.from_pretrained('distilbert-base-cased')
     # encoded_dict = tokenizer.encode_plus(
     #     text,  # document to encode.
@@ -84,7 +84,7 @@ def get_predict(text):
     #     return_tensors='pt'  # return pytorch tensors
     # )
 
-    inputs = tokenizer(text, return_tensors="pt")
+    inputs = tokenizer(title, abstract,  return_tensors="pt")
     outputs = model(
         input_ids=inputs['input_ids'],
         attention_mask=inputs['attention_mask'],
@@ -109,7 +109,9 @@ st.markdown("### Hello, world!")
 st.markdown("<img width=200px src='https://rozetked.me/images/uploads/dwoilp3BVjlE.jpg'>", unsafe_allow_html=True)
 # ^-- можно показывать пользователю текст, картинки, ограниченное подмножество html - всё как в jupyter
 
-text = st.text_area("TEXT HERE")
+title = st.text_area("TEXT HERE")
+abstract = st.text_area("TEXT HERE")
+
 # ^-- показать текстовое поле. В поле text лежит строка, которая находится там в данный момент
 
 # from transformers import pipeline
@@ -117,4 +119,4 @@ text = st.text_area("TEXT HERE")
 # raw_predictions = pipe(text)
 # тут уже знакомый вам код с huggingface.transformers -- его можно заменить на что угодно от fairseq до catboost
 
-st.markdown(f"It's prediction: {get_predict(text)}")
+st.markdown(f"It's prediction: {get_predict(title, abstract)}")