Create app.py

app.py

@@ -0,0 +1,79 @@
+import streamlit as st
+from transformers import pipeline, AutoModelForSequenceClassification, AutoTokenizer, AutoModelForTokenClassification, AutoModelForCausalLM
+import pandas as pd
+
+st.set_page_config(layout="wide")
+
+# Örnek metin listesi
+example_list = [
+    "Mustafa Kemal Atatürk 1919 yılında Samsun'a çıktı.",
+    "Bugün hava çok güzel ve enerjik hissediyorum.",
+    "Yapay zeka ve makine öğrenimi hakkında birçok gelişme var."
+]
+
+# Uygulama başlığı
+st.title("NLP Toolkit")
+
+# Görev seçimi
+task_list = ['Metin Sınıflandırma', 'Metin Analizi', 'Duygu Analizi', 'Metin Oluşturma']
+task = st.sidebar.selectbox("Görev Seç", task_list)
+
+# Metin giriş yöntemi
+st.subheader("Metin Giriş Yöntemi Seç")
+input_method = st.radio("", ('Örneklerden Seç', 'Metin Yaz veya Yapıştır'))
+
+if input_method == 'Örneklerden Seç':
+    selected_text = st.selectbox('Metin Seç', example_list, index=0, key=1)
+    st.subheader("Seçilen Metin")
+    input_text = st.text_area("Metin", selected_text, height=128, max_chars=None, key=2)
+elif input_method == "Metin Yaz veya Yapıştır":
+    st.subheader("Metin")
+    input_text = st.text_area('Metin Yaz veya Yapıştır', value="", height=128, max_chars=None, key=2)
+
+@st.cache_resource
+def load_pipeline(model_name, task_type):
+    if task_type == "Metin Sınıflandırma":
+        model = AutoModelForSequenceClassification.from_pretrained(model_name)
+        tokenizer = AutoTokenizer.from_pretrained(model_name)
+        return pipeline('text-classification', model=model, tokenizer=tokenizer)
+    elif task_type == "Metin Analizi":
+        model = AutoModelForTokenClassification.from_pretrained(model_name)
+        tokenizer = AutoTokenizer.from_pretrained(model_name)
+        return pipeline('ner', model=model, tokenizer=tokenizer)
+    elif task_type == "Duygu Analizi":
+        model = AutoModelForSequenceClassification.from_pretrained(model_name)
+        tokenizer = AutoTokenizer.from_pretrained(model_name)
+        return pipeline('sentiment-analysis', model=model, tokenizer=tokenizer)
+    elif task_type == "Metin Oluşturma":
+        model = AutoModelForCausalLM.from_pretrained(model_name)
+        tokenizer = AutoTokenizer.from_pretrained(model_name)
+        return pipeline('text-generation', model=model, tokenizer=tokenizer)
+
+# Görev ve modele göre pipeline yükleme
+model_dict = {
+    "Metin Sınıflandırma": "nlptown/bert-base-multilingual-uncased-sentiment",
+    "Metin Analizi": "dbmdz/bert-large-cased-finetuned-conll03-english",
+    "Duygu Analizi": "cardiffnlp/twitter-roberta-base-sentiment",
+    "Metin Oluşturma": "gpt2"
+}
+
+pipeline_model = load_pipeline(model_dict[task], task)
+
+Run_Button = st.button("Çalıştır", key=None)
+
+if Run_Button and input_text != "":
+    if task in ["Metin Sınıflandırma", "Duygu Analizi"]:
+        output = pipeline_model(input_text)
+        df = pd.DataFrame(output)
+        st.subheader(f"{task} Sonuçları")
+        st.dataframe(df)
+    elif task == "Metin Analizi":
+        output = pipeline_model(input_text)
+        entities = [{"Word": e['word'], "Entity": e['entity_group'], "Score": e['score']} for e in output]
+        df = pd.DataFrame(entities)
+        st.subheader("Tanımlanan Varlıklar")
+        st.dataframe(df)
+    elif task == "Metin Oluşturma":
+        output = pipeline_model(input_text, max_length=100, num_return_sequences=1)
+        st.subheader("Oluşturulan Metin")
+        st.write(output[0]['generated_text'])