Delete app.py

app.py

@@ -1,61 +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
-# Este modelo está entrenado para analizar sentimientos en textos breves como comentarios o frases
-MODEL_NAME = "bert-base-uncased"
-tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
-model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME, num_labels=3)
-
-# Función para predecir el sentimiento de un texto
-def predecir_sentimiento(texto):
-    """
-    Toma un texto de entrada y devuelve la clasificación del sentimiento.
-    Sentimientos posibles: Negativo, Neutral, Positivo.
-    """
-    # Convertir el texto en tokens utilizando el tokenizador de BERT
-    entradas = tokenizer(texto, return_tensors="pt", truncation=True, padding=True, max_length=128)
-    
-    # Hacer la predicción sin calcular gradientes
-    with torch.no_grad():
-        salidas = model(**entradas)
-        # Obtener el índice de la predicción más probable
-        prediccion = np.argmax(salidas.logits.numpy(), axis=1)
-    
-    # Etiquetas de sentimientos
-    etiquetas = ["Negativo", "Neutral", "Positivo"]
-    return etiquetas[prediccion[0]]
-
-# Configuración de la interfaz en Streamlit
-# Título y descripción de la aplicación
-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\nPuedes 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 del texto
-        sentimiento = predecir_sentimiento(texto_usuario)
-        
-        # Mostrar el resultado con una respuesta más empática
-        st.subheader(f"El sentimiento del texto es: {sentimiento}")
-        
-        # Personalización de la respuesta según el sentimiento
-        if sentimiento == "Negativo":
-            st.write("Parece que no estás del todo contento con esto, y está bien no saber cómo sentirse a veces. 😊")
-        elif sentimiento == "Neutral":
-            st.write("Hmm, el tono del texto parece neutro. Si necesitas hablar más sobre esto, ¡aquí estoy para escuchar! 🤗")
-        elif sentimiento == "Positivo":
-            st.write("¡Qué bien que te sientes positivo! 🌟 Sigue disfrutando esa energía.")
-
-        # Detección de ambigüedad en el texto
-        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.")