Upload app.py

app.py

@@ -0,0 +1,61 @@
+# 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.")