Spaces:

osiria
/

blaze-it-demo

Sleeping

App Files Files Community

osiria commited on May 2, 2023

Commit

0915ad4

•

1 Parent(s): a87b6da

Create app.py

Browse files

Files changed (1) hide show

app.py +235 -0

app.py ADDED Viewed

	@@ -0,0 +1,235 @@

+import os
+import gradio as gr
+import subprocess
+import sys
+def install(package):
+    subprocess.check_call([sys.executable, "-m", "pip", "install", package])
+install("numpy")
+install("torch")
+install("transformers")
+install("unidecode")
+import numpy as np
+import torch
+from transformers import AutoTokenizer
+from transformers import DistilBertForTokenClassification
+from collections import Counter
+from unidecode import unidecode
+import string
+import re
+auth_token = os.environ.get("NEXT_IT_TOKEN")
+tokenizer = AutoTokenizer.from_pretrained("osiria/blaze-it-ner", use_auth_token=auth_token)
+model = DistilBertForTokenClassification.from_pretrained("osiria/blaze-it-ner", num_labels = 5, use_auth_token=auth_token)
+device = torch.device("cpu")
+model = model.to(device)
+model.eval()
+from transformers import pipeline
+ner = pipeline('ner', model=model, tokenizer=tokenizer, device=-1)
+header = '''--------------------------------------------------------------------------------------------------
+<style>
+.vertical-text {
+    writing-mode: vertical-lr;
+    text-orientation: upright;
+    background-color:red;
+}
+</style>
+<center>
+<body>
+<span class="vertical-text" style="background-color:lightgreen;border-radius: 3px;padding: 3px;"> </span>
+<span class="vertical-text" style="background-color:orange;border-radius: 3px;padding: 3px;"> D</span>
+<span class="vertical-text" style="background-color:lightblue;border-radius: 3px;padding: 3px;">    E</span>
+<span class="vertical-text" style="background-color:tomato;border-radius: 3px;padding: 3px;">    M</span>
+<span class="vertical-text" style="background-color:lightgrey;border-radius: 3px;padding: 3px;"> O</span>
+<span class="vertical-text" style="background-color:#CF9FFF;border-radius: 3px;padding: 3px;"> </span>
+</body>
+</center>
+<br>
+<center>(BETA)</center>
+--------------------------------------------------------------------------------------------------'''
+paragraph = '''<b>What's BLAZE-IT?</b>
+This app is a demo of [BLAZE-IT](https://huggingface.co/osiria/blaze-it), a <b>lightweight</b> and <b>uncased</b> italian language model (<b>55M parameters</b> and <b>220MB</b> size). The model is here fine-tuned for named entity recognition on WikiNER (cross-validated F1 score of 89.53%) plus a custom, hand-crafted dataset of 3.500 manually annotated Wikipedia paragraphs.
+This system is a beta version, and will improve over time. It can recognize entities of the following types (in order to make the most of the color-coding, it is recommended to use the light theme for the interface):
+- <span style="background-color:lightgreen;border-radius: 3px;padding: 3px;"><b>ᴘᴇʀ</b> person</span>: names of persons
+- <span style="background-color:orange;border-radius: 3px;padding: 3px;"><b>ʟᴏᴄ</b> location</span>: names of places
+- <span style="background-color:lightblue;border-radius: 3px;padding: 3px;"><b>ᴏʀɢ</b> organization</span>: names of organizations
+- <span style="background-color:tomato;border-radius: 3px;padding: 3px;"><b>ᴍɪsᴄ</b> miscellanea</span>: mixed type entities
+- <span style="background-color:lightgrey;border-radius: 3px;padding: 3px;"><b>ᴅᴀᴛᴇ</b> date</span>: regex-based dates
+- <span style="background-color:#CF9FFF;border-radius: 3px;padding: 3px;"><b>ᴛᴀɢ</b> tag</span>: most relevant entities, of any type
+The <b>ᴍɪsᴄ</b> class has mixed nature, and it mainly covers names of events or products. Occasionally, entities of other classes might be labeled as <b>ᴍɪsᴄ</b> if the model is not confident enough about their identification.
+The execution time in this app depends on the availability of the underlying cloud instance, and is not a reflection of the model inference time.
+If unknown tokens are present in the text, they will interfere with the prediction, and the model may behave erratically. In that case, a warning sign will be displayed.
+'''
+maps = {"O": "NONE", "PER": "PER", "LOC": "LOC", "ORG": "ORG", "MISC": "MISC", "DATE": "DATE"}
+reg_month = "(?:gennaio|febbraio|marzo|aprile|maggio|giugno|luglio|agosto|settembre|ottobre|novembre|dicembre|january|february|march|april|may|june|july|august|september|october|november|december)"
+reg_date = "(?:\d{1,2}\°{0,1}|primo|\d{1,2}\º{0,1})" + " " + reg_month + " " + "\d{4}|"
+reg_date = reg_date + reg_month + " " + "\d{4}|"
+reg_date = reg_date + "\d{1,2}" + " " + reg_month
+reg_date = reg_date + "\d{1,2}" + "(?:\/|\.)\d{1,2}(?:\/|\.)" + "\d{4}|"
+reg_date = reg_date + "(?<=dal )\d{4}|(?<=al )\d{4}|(?<=nel )\d{4}|(?<=anno )\d{4}|(?<=del )\d{4}|"
+reg_date = reg_date + "\d{1,5} a\.c\.|\d{1,5} d\.c\."
+map_punct = {"’": "'", "«": '"', "»": '"', "”": '"', "“": '"', "–": "-", "$": ""}
+unk_tok = 9005
+merge_th_1 = 0.8
+merge_th_2 = 0.4
+min_th = 0.6
+def extract(text):
+    text = text.strip()
+    for mp in map_punct:
+        text = text.replace(mp, map_punct[mp])
+    text = re.sub("\[\d+\]", "", text)
+    warn_flag = False
+    res_total = []
+    out_text = ""
+    for p_text in text.split("\n"):
+        if p_text:
+            toks = tokenizer.encode(p_text)
+            if unk_tok in toks:
+                warn_flag = True
+            res_orig = ner(p_text, aggregation_strategy = "first")
+            res_orig = [el for r, el in enumerate(res_orig) if len(el["word"].strip()) > 1]
+            res = []
+            for r, ent in enumerate(res_orig):
+                if r > 0 and ent["score"] < merge_th_1 and ent["start"] <= res[-1]["end"] + 1 and ent["score"] <= res[-1]["score"]:
+                    res[-1]["word"] = res[-1]["word"] + " " + ent["word"]
+                    res[-1]["score"] = merge_th_1*(res[-1]["score"] > merge_th_2)
+                    res[-1]["end"] = ent["end"]
+                elif r < len(res_orig) - 1 and ent["score"] < merge_th_1 and res_orig[r+1]["start"] <= ent["end"] + 1 and res_orig[r+1]["score"] > ent["score"]:
+                    res_orig[r+1]["word"] = ent["word"] + " " + res_orig[r+1]["word"]
+                    res_orig[r+1]["score"] = merge_th_1*(res_orig[r+1]["score"] > merge_th_2)
+                    res_orig[r+1]["start"] = ent["start"]
+                else:
+                    res.append(ent)
+            res = [el for r, el in enumerate(res) if el["score"] >= min_th]
+            dates = [{"entity_group": "DATE", "score": 1.0, "word": p_text[el.span()[0]:el.span()[1]], "start": el.span()[0], "end": el.span()[1]} for el in re.finditer(reg_date, p_text, flags = re.IGNORECASE)]
+            res.extend(dates)
+            res = sorted(res, key = lambda t: t["start"])
+            res_total.extend(res)
+            chunks = [("", "", 0, "NONE")]
+            for el in res:
+                if maps[el["entity_group"]] != "NONE":
+                    tag = maps[el["entity_group"]]
+                    chunks.append((p_text[el["start"]: el["end"]], p_text[chunks[-1][2]:el["end"]], el["end"], tag))
+            if chunks[-1][2] < len(p_text):
+                chunks.append(("END", p_text[chunks[-1][2]:], -1, "NONE"))
+            chunks = chunks[1:]
+            n_text = []
+            for i, chunk in enumerate(chunks):
+                rep = chunk[0]
+                if chunk[3] == "PER":
+                    rep = '<span style="background-color:lightgreen;border-radius: 3px;padding: 3px;"><b>ᴘᴇʀ</b> ' + chunk[0] + '</span>'
+                elif chunk[3] == "LOC":
+                    rep = '<span style="background-color:orange;border-radius: 3px;padding: 3px;"><b>ʟᴏᴄ</b> ' + chunk[0] + '</span>'
+                elif chunk[3] == "ORG":
+                    rep = '<span style="background-color:lightblue;border-radius: 3px;padding: 3px;"><b>ᴏʀɢ</b> ' + chunk[0] + '</span>'
+                elif chunk[3] == "MISC":
+                    rep = '<span style="background-color:tomato;border-radius: 3px;padding: 3px;"><b>ᴍɪsᴄ</b> ' + chunk[0] + '</span>'
+                elif chunk[3] == "DATE":
+                    rep = '<span style="background-color:lightgrey;border-radius: 3px;padding: 3px;"><b>ᴅᴀᴛᴇ</b> ' + chunk[0] + '</span>'
+                n_text.append(chunk[1].replace(chunk[0], rep))
+            n_text = "".join(n_text)
+            if out_text:
+                out_text = out_text + "<br>" + n_text
+            else:
+                out_text = n_text
+    tags = [el["word"] for el in res_total if el["entity_group"] not in ['DATE', None]]
+    cnt = Counter(tags)
+    tags = sorted(list(set([el for el in tags if cnt[el] > 1])), key = lambda t: cnt[t]*np.exp(-tags.index(t)))[::-1]
+    tags = [" ".join(re.sub("[^A-Za-z0-9\s]", "", unidecode(tag)).split()) for tag in tags]
+    tags = ['<span style="background-color:#CF9FFF;border-radius: 3px;padding: 3px;"><b>ᴛᴀɢ </b> ' + el + '</span>' for el in tags]
+    tags = "    ".join(tags)
+    if tags:
+        out_text = out_text + "<br><br><b>Tags:</b> " + tags
+    if warn_flag:
+        out_text = out_text + "<br><br><b>Warning ⚠️:</b> Unknown tokens detected in text.  The model might behave erratically"
+    return out_text
+init_text = '''l'agenzia spaziale europea, nota internazionalmente con l'acronimo esa dalla denominazione inglese european space agency, è un'agenzia internazionale fondata nel 1975 incaricata di coordinare i progetti spaziali di 22 paesi europei. il suo quartier generale si trova a parigi in francia, con uffici a mosca, bruxelles, washington e houston.
+attualmente il direttore generale dell'agenzia è l'austriaco josef aschbacher, il quale ha sostituito il tedesco johann-dietrich wörner il primo marzo 2021.
+lo spazioporto dell'esa è il centre spatial guyanais a kourou, nella guyana francese, un sito scelto, come tutte le basi di lancio, per via della sua vicinanza con l'equatore. durante gli ultimi anni il lanciatore ariane 5 ha consentito all'esa di raggiungere una posizione di primo piano nei lanci commerciali e l'esa è il principale concorrente della nasa nell'esplorazione spaziale.
+le missioni scientifiche dell'esa hanno le loro basi al centro europeo per la ricerca e la tecnologia spaziale (estec) di noordwijk, nei paesi bassi. il centro europeo per le operazioni spaziali (esoc), di darmstadt in germania, è responsabile del controllo dei satelliti esa in orbita.  [...]
+l'agenzia spaziale italiana (asi) venne fondata nel 1988 per promuovere, coordinare e condurre le attività spaziali in italia. opera in collaborazione con il ministero dell'università e della ricerca scientifica e coopera in numerosi progetti con entità attive nella ricerca scientifica e nelle attività commerciali legate allo spazio. internazionalmente l'asi fornisce la delegazione italiana per l'agenzia spaziale europea e le sue sussidiarie.'''
+init_output = extract(init_text)
+with gr.Blocks() as interface:
+    with gr.Row():
+        gr.Markdown(header)
+    with gr.Row():
+        with gr.Column():
+            gr.Markdown(paragraph)
+        with gr.Column():
+            incipit = gr.Markdown("<b>Highlighted entities<b>")
+            entities = gr.Markdown(init_output)
+    with gr.Row():
+        with gr.Column():
+            text = gr.Text(label="Extract entities", lines = 10, value = init_text)
+        with gr.Column():
+            gr.Examples([["aristotele nacque nel 384 a.c. o nel 383 a.c. a stagira, l'attuale stavro, colonia greca situata nella parte nord-orientale della penisola calcidica della tracia. si dice che il padre, nicomaco, sia vissuto presso aminta iii, re dei macedoni, prestandogli i servigi di medico e di amico. aristotele, come figlio del medico reale, doveva pertanto risiedere nella capitale del regno di macedonia"],
+                         ["mi chiamo edoardo, vivo a roma e lavoro per l'agenzia spaziale italiana, nella missione prisma"],
+                         ["wikipedia è un'enciclopedia online a contenuto libero, collaborativa, multilingue e gratuita, nata nel 2001, sostenuta e ospitata dalla wikimedia foundation, un'organizzazione non a scopo di lucro statunitense.  lanciata da jimmy wales e larry sanger il 15 gennaio 2001, inizialmente nell'edizione in lingua inglese, nei mesi successivi ha aggiunto edizioni in numerose altre lingue"]],
+                         inputs=[text])
+    with gr.Row():
+        button = gr.Button("Extract").style(full_width=False)
+    with gr.Row():
+        with gr.Column():
+            gr.Markdown("<center>The input examples in this demo are extracted from https://it.wikipedia.org</center>")
+    button.click(extract, inputs=[text], outputs = [entities])
+interface.launch()