File size: 1,504 Bytes
78f91a7 0d3225e 78f91a7 51f97f8 02af193 78f91a7 8cb1d65 78f91a7 8cb1d65 78f91a7 7d57f72 51f97f8 41c923f 78f91a7 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 |
import streamlit as st
import torch
@st.cache
def Model():
from transformers import BertTokenizer, BertForSequenceClassification
model_name = "google/bert_uncased_L-4_H-256_A-4"
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForSequenceClassification.from_pretrained(model_name, num_labels=8)
bn_state_dict = torch.load('model_w.pt')
model.load_state_dict(bn_state_dict)
return model
st.title('Классификация статьи по названию и описанию')
# ^-- можно показывать пользователю текст, картинки, ограниченное подмножество html - всё как в jupyter
title = st.text_area("Введите название статьи:")
abstract = st.text_area("Введите описание статьи:")
# ^-- показать текстовое поле. В поле text лежит строка, которая находится там в данный момент
from transformers import pipeline
pipe = pipeline("ner", "Davlan/distilbert-base-multilingual-cased-ner-hrl")
raw_predictions = pipe(title)
# тут уже знакомый вам код с huggingface.transformers -- его можно заменить на что угодно от fairseq до catboost
st.markdown(f"{raw_predictions}")
model = Model()
st.markdown(f"{model}")
# выводим результаты модели в текстовое поле, на потеху пользователю |