File size: 2,391 Bytes
e13e24e |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 |
import gradio as gr
from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
model_id = "xlm-roberta-base"
peft_model_id = "rasyosef/xlm-roberta-base-lora-amharic-news-classification"
categories = ['แแแญ แ แแ แแ', 'แแแแ', 'แตแแญแต', 'แขแแแต', 'แแแ แ แแ แแ', 'แแแฒแซ']
id2label = {i: lbl for i, lbl in enumerate(categories)}
label2id = {lbl: i for i, lbl in enumerate(categories)}
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(
model_id,
num_labels=len(categories), # 6
id2label=id2label,
label2id=label2id
)
model.load_adapter(peft_model_id)
classifier = pipeline("text-classification", model=model, tokenizer=tokenizer)
def predict(text):
return classifier([text])[0]
with gr.Blocks() as demo:
gr.Markdown(
"""
# Amharic News Article Classification
This is A finetuned RoBERTa model (xlm-roberta-base) that classifies amharic news articles into one of 6 categories.
- แแแญ แ แแ แแ (Local News)
- แแแแ (Entertainment)
- แตแแญแต (Sports)
- แขแแแต (Business)
- แแแ แ แแ แแ (International News)
- แแแฒแซ (Politics)
"""
)
with gr.Row():
with gr.Column():
input = gr.Textbox(label="Amharic text")
classify_btn = gr.Button(value="Classify")
with gr.Column():
output = gr.Textbox(label="Predicted class")
classify_btn.click(predict, inputs=input, outputs=output)
examples = gr.Examples(
examples=[
"""แ แ แ แดแแตแฎแต แจแแแตแ แฆแณ แฐแจแตแ แแชแซแ แฐแแแฎ แจแแแ แจแแแจแ แแแฃแณ แฐแ แแแ แตแซ แฅแแฒแแแญ แแแชแแฝ แ แญแแแแข แแแ แแณแแแต แแแซ แซแแแฃแต แจแขแตแฎแตแซ แ แแตแแต แจแณแแแฃแต แณแแแ แ แ แดแแตแฎแต แจแแแแณแธแ แ แแต แฐแแฝ แแคแ แงแแต แจแแฃแ แฆแณ แตแ แ แตแญแแ แฐแแฝ แแค แแแแตแ แฃแแแแต แจแแแตแ แฆแณแ แฅแแแฝ แแแฐ แแแตแต แแขแตแฎแตแซ แฐแฅแแ แจแแแฑแฃแต แฆแณ แแตแข"""
],
inputs=[input],
)
demo.launch()
|