Create app.py

app.py

@@ -0,0 +1,71 @@
+import gradio as gr
+from sentence_transformers import SentenceTransformer
+from sklearn.metrics.pairwise import cosine_similarity
+import numpy as np
+import multiprocessing
+import chromadb
+import hashlib
+
+# Carga el modelo
+model = SentenceTransformer('Maite89/Roberta_finetuning_semantic_similarity_stsb_multi_mt')
+
+# Crea el cliente ChromaDB
+chroma_client = chromadb.Client()
+collection = chroma_client.create_collection(name="my_collection")
+
+def generate_hash(text):
+    return hashlib.md5(text.encode('utf-8')).hexdigest()
+
+# Función para obtener embeddings del modelo
+def get_embeddings(sentences):
+    embeddings = []
+    for sentence in sentences:
+        sentence_hash = generate_hash(sentence)
+        # Verificar si el embedding ya está en la base de datos
+        results = collection.query(query_texts=[sentence], n_results=1)
+        if results:
+            embeddings.append(np.array(results[0]['embedding']))
+        else:
+            # Si no está en la base de datos, calcula el embedding y lo almacena
+            embedding = model.encode(sentence, show_progress_bar=False)
+            collection.add(
+                embeddings=[embedding.tolist()],
+                documents=[sentence],
+                metadatas=[{"source": "my_source"}],
+                ids=[sentence_hash]  # Usa el hash como ID
+            )
+            embeddings.append(embedding)
+    return np.array(embeddings)
+
+# Función para comparar las sentencias
+def calculate_similarity(args):
+    source_embedding, compare_embedding = args
+    return cosine_similarity(source_embedding.reshape(1, -1), compare_embedding.reshape(1, -1))[0][0]
+
+def compare(source_sentence, compare_sentences):
+    compare_list = compare_sentences.split("--")
+    
+    # Obtiene todos los embeddings a la vez para acelerar el proceso
+    all_sentences = [source_sentence] + compare_list
+    all_embeddings = get_embeddings(all_sentences)
+    
+    # Prepara los datos para el multiprocesamiento
+    source_embedding = all_embeddings[0]
+    data_for_multiprocessing = [(source_embedding, emb) for emb in all_embeddings[1:]]
+    
+    # Utiliza un pool de procesos para calcular las similitudes en paralelo
+    with multiprocessing.Pool(processes=multiprocessing.cpu_count()) as pool:
+        similarities = pool.map(calculate_similarity, data_for_multiprocessing)
+    
+    return ', '.join([str(sim) for sim in similarities])
+
+# Define las interfaces de entrada y salida de Gradio
+iface = gr.Interface(
+    fn=compare, 
+    inputs=["text", "text"], 
+    outputs="text",
+    live=False  
+)
+
+# Inicia la interfaz de Gradio
+iface.launch()