Delete app.py

app.py

@@ -1,87 +0,0 @@
-# Importar librerías necesarias
-import streamlit as st
-from transformers import AutoTokenizer, AutoModelForSequenceClassification
-import torch
-import numpy as np
-
-# Cargar el modelo BERT preentrenado y el tokenizador
-MODEL_NAME = "bert-base-uncased"
-tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
-model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME, num_labels=3)
-
-# Diccionario de palabras clave con sentimientos asociados
-palabras_clave = {
-    "Positivo": ["feliz", "alegre", "contento", "genial", "maravilloso"],
-    "Negativo": ["triste", "deprimido", "mal", "horrible", "terrible"],
-    "Ambiguo": ["no sé", "confuso", "indeciso", "raro"]
-}
-
-# Función para predecir el sentimiento del modelo
-def predecir_sentimiento(texto):
-    """
-    Toma un texto de entrada y devuelve la clasificación del sentimiento usando el modelo BERT.
-    Sentimientos posibles: Negativo, Neutral, Positivo.
-    """
-    # Tokenización del texto
-    entradas = tokenizer(texto, return_tensors="pt", truncation=True, padding=True, max_length=128)
-    # Predicción sin gradientes
-    with torch.no_grad():
-        salidas = model(**entradas)
-        prediccion = np.argmax(salidas.logits.numpy(), axis=1)
-    # Etiquetas posibles
-    etiquetas = ["Negativo", "Neutral", "Positivo"]
-    return etiquetas[prediccion[0]]
-
-# Función para ajustar el sentimiento con palabras clave
-def ajustar_sentimiento(texto, sentimiento_modelo):
-    """
-    Ajusta el sentimiento clasificado por el modelo si se encuentran palabras clave en el texto.
-    """
-    texto = texto.lower()  # Convertir el texto a minúsculas
-    for palabra in palabras_clave["Positivo"]:
-        if palabra in texto:
-            return "Positivo"
-    for palabra in palabras_clave["Negativo"]:
-        if palabra in texto:
-            return "Negativo"
-    for palabra in palabras_clave["Ambiguo"]:
-        if palabra in texto:
-            return "Ambiguo"
-    return sentimiento_modelo  # Si no se encuentran palabras clave, devuelve el sentimiento original
-
-# Configuración de la interfaz Streamlit
-st.title("Análisis de Sentimientos con BERT")
-st.write(
-    "Esta aplicación utiliza un modelo preentrenado de BERT para clasificar el sentimiento de un texto en "
-    "**Negativo**, **Neutral** o **Positivo**.\n\n"
-    "Puedes escribir cualquier comentario, pensamiento o frase y te ayudaré a entender su tono general. 😊"
-)
-
-# Entrada del usuario
-texto_usuario = st.text_area("¿Qué te gustaría compartir hoy?", "Cuéntame cómo te sientes...")
-
-# Botón para analizar el sentimiento
-if st.button("Analizar Sentimiento"):
-    if texto_usuario.strip():  # Verificar que la entrada no esté vacía
-        # Predecir el sentimiento usando el modelo
-        sentimiento_modelo = predecir_sentimiento(texto_usuario)
-        
-        # Ajustar el sentimiento si se detectan palabras clave
-        sentimiento_final = ajustar_sentimiento(texto_usuario, sentimiento_modelo)
-
-        # Mostrar el resultado al usuario
-        st.subheader(f"El sentimiento del texto es: {sentimiento_final}")
-
-        # Respuestas empáticas según el sentimiento
-        if sentimiento_final == "Negativo":
-            st.write("Parece que no estás del todo contento con esto, y está bien no saber cómo sentirse a veces. 😊")
-        elif sentimiento_final == "Neutral":
-            st.write("Hmm, el tono del texto parece neutro. Si necesitas hablar más sobre esto, ¡aquí estoy para escuchar! 🤗")
-        elif sentimiento_final == "Positivo":
-            st.write("¡Qué bien que te sientes positivo! 🌟 Sigue disfrutando esa energía.")
-
-        # Detectar ambigüedad
-        if "no sé" in texto_usuario.lower() or "confundido" in texto_usuario.lower():
-            st.write("Parece que estás un poco indeciso, ¡y eso está bien! A veces los sentimientos son difíciles de descifrar. 😊")
-    else:
-        st.warning("Por favor ingresa un texto válido para analizar.")