Upload app.py

app.py

@@ -0,0 +1,93 @@
+import gradio as gr
+from transformers import AutoTokenizer, AutoModel
+import torch
+from torch import nn
+import torch.nn.functional as F
+
+
+# Creo la clase del modelo
+class RobertaModel(nn.Module):
+
+    def __init__(self, n_classes: int = 2):
+        super().__init__()
+        self.roberta = AutoModel.from_pretrained("xlm-roberta-base") #Modelo transformer
+        self.dropout = nn.Dropout(p=0.3) #Dropout para disminuir el overfitting
+        self.linear = nn.Linear(self.roberta.config.hidden_size, self.roberta.config.hidden_size) # 1er capa linear
+        self.classification = nn.Linear(self.roberta.config.hidden_size, n_classes) # 2da capa linear
+    
+    def forward(self, input_ids, attention_mask):
+        #Roberta layer
+        cls_output = self.roberta(input_ids=input_ids, attention_mask=attention_mask) 
+        pooled_output = torch.mean(cls_output.last_hidden_state, 1)
+
+        
+        # NN     
+        pooled_output = self.linear(pooled_output) # Primera capa
+        pooled_output = F.relu(pooled_output) # Funcion de activacion relu
+        pooled_output = self.dropout(pooled_output) # Dropout        
+        output = self.classification(pooled_output) #Segunda capa
+
+        return output
+
+model = RobertaModel()
+
+# Cargo los pesos ya entrenados del modelo
+
+model.load_state_dict(
+    torch.load(
+        f="Modelo_Amazon_review.pt",
+        map_location=torch.device("cpu") # Cambio modelo a cpu
+    )
+)
+
+# Cargo modelo para el Tokenizer
+        
+tokenizer = AutoTokenizer.from_pretrained('xlm-roberta-base')
+
+
+# Creo  funcion para predecir
+
+def predict(review_text):
+    pred = {}
+    
+    encoding_review = tokenizer.encode_plus(
+        review_text,
+        max_length = 250, #Maximo del larogo del texto
+        truncation = True, # Truncar texto
+        add_special_tokens = True, #Agregar tokens especiales
+        return_token_type_ids = False, # Que no devuelva los ids de esos tokens
+        padding = "max_length", # Que realice padding hasta el maximo alrgo
+        return_attention_mask = True, #Que devuelva la mascara de atencion
+        return_tensors = 'pt' # Que los tensores que devuelve sean Pytorch
+        )
+    
+    input_ids = encoding_review['input_ids']
+    attention_mask = encoding_review['attention_mask']
+    output = model(input_ids, attention_mask)    
+    _, prediction = torch.max(output, dim=1)
+    if prediction == 0:
+        pred["label"] = "Negativo"
+        pred["score"] = f"{torch.softmax(output, dim=1)[0][0].item()*100:.2f}%"
+    else:
+        pred["label"] = "Positivo"
+        pred["score"] = f"{torch.softmax(output, dim=1)[0][1].item()*100:.2f}%"
+    
+    return pred["label"], pred["score"]
+
+#  Funcion para crear interfaz
+
+amazon_app = gr.Interface(
+    fn=predict,
+    inputs=gr.Textbox(label="Introduce tu reseña aquí:", placeholder="Escribe aquí..."),
+    outputs=[gr.Label(label="Predicción"), gr.Label(label="Puntaje")],
+    title="Análisis de sentimientos de reseñas de productos en Español",
+    description="Ingresa una reseña de algun producto y obtén una predicción sobre si su sentimiento es positivo o negativo. (Max. 250 caracteres)",
+    theme="Agora",
+    #layout="vertical",
+    #interpretation="default",
+    allow_flagging=False,
+    analytics_enabled=False
+)
+
+# Ejecuta la aplicación
+amazon_app.launch()