Update app.py

app.py

@@ -1,63 +1,56 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
+import numpy as np
+from tensorflow.keras.models import load_model
+from tensorflow.keras.preprocessing.sequence import pad_sequences
+import pickle
+
+# Cargar el modelo y el tokenizer
+model_path = "mi_modelo.h5"
+tokenizer_path = "tokenizer.pkl"
+modelo = load_model(model_path)
+with open(tokenizer_path, 'rb') as file:
+    tokenizer = pickle.load(file)
+
+# Diccionario de consejerías y números
+consejeria_a_numero = {
+    'Consejería de Agricultura, Ganadería y Medio Ambiente': 0,
+    'Consejería de Salud': 1,
+    'Consejería de Políticas Sociales, Familia, Igualdad y Justicia': 2,
+    'Consejería de Fomento y Política Territorial': 3,
+    'Consejería de Desarrollo Económico e Innovación': 4,
+    'Consejería de Desarrollo Económico e InnovaciónII': 5,
+    'Consejería de Educación, Formación y Empleo': 6,
+    'Consejería de Administración Pública y Hacienda': 7,
+    'Consejería de Presidencia, Relaciones Institucionales y Acción Exterior': 8
+}
+
+numero_a_consejeria = {v: k for k, v in consejeria_a_numero.items()}
+
+def predict_consejeria(description):
+    # Preprocesar la descripción
+    description_sequence = tokenizer.texts_to_sequences([description])
+    maxlen = 450 
+    description_padded = pad_sequences(description_sequence, maxlen=maxlen)
+
+    # Realizar la predicción
+    prediction = modelo.predict(description_padded)
+    predicted_class = np.argmax(prediction, axis=1)[0]
+    predicted_consejeria = numero_a_consejeria[predicted_class]
+    return predicted_consejeria
+
+# Definir la función respond adaptada a nuestro modelo
+def respond(description):
+    predicted_consejeria = predict_consejeria(description)
+    return predicted_consejeria
+
+# Crear la interfaz de Gradio
+demo = gr.Interface(
+    fn=respond,
+    inputs=gr.Textbox(lines=2, label="Descripción"),
+    outputs="text",
+    title="Clasificación de Consejerías",
+    description="Introduce una descripción para predecir a qué consejería pertenece."
 )
 
-
 if __name__ == "__main__":
-    demo.launch()
+    demo.launch()