Update app.py

app.py

@@ -1,46 +1,46 @@
-from transformers import XLMRobertaForSequenceClassification, XLMRobertaTokenizer
-import torch
-import gradio as gr
-
-# Nombre del modelo en Hugging Face
-model_path = "natmarinn/sentimientos-bregman"  # Cambia esto si tu modelo está en otro repositorio
-
-# Cargar el modelo y el tokenizador desde Hugging Face
-model = XLMRobertaForSequenceClassification.from_pretrained(model_path)
-tokenizer = XLMRobertaTokenizer.from_pretrained(model_path)
-
-# Definir las etiquetas de las clases
-clases = ["Negativo", "Neutro", "Positivo"]
-
-def clasificar_texto(texto):
-    # Tokenizar el texto de entrada
-    inputs = tokenizer(texto, return_tensors="pt", truncation=True)
-    
-    # Realizar la predicción y obtener las probabilidades
-    with torch.no_grad():
-        outputs = model(**inputs)
-        logits = outputs.logits
-        probs = torch.softmax(logits, dim=1).squeeze().tolist()  # Convertir a probabilidades
-    
-    # Crear una lista de categorías y probabilidades
-    categorias_prob = list(zip(clases, probs))
-    
-    # Ordenar por probabilidad de mayor a menor
-    categorias_prob = sorted(categorias_prob, key=lambda x: x[1], reverse=True)
-    
-    # Formatear el resultado en un string para mostrarlo en Gradio
-    resultado = "\n".join([f"{categoria}: {probabilidad:.2%}" for categoria, probabilidad in categorias_prob])
-    return resultado
-
-# Crear la interfaz en Gradio
-iface = gr.Interface(
-    fn=clasificar_texto,                # Función que ejecuta la clasificación
-    inputs="text",                      # Tipo de entrada: texto
-    outputs="text",                     # Tipo de salida: texto
-    title="Clasificación de Sentimientos - Myriam Bregman - Debate Presidencial",
-    description="Escribe un comentario sobre el debate presidencial y el modelo clasificará el sentimiento con sus probabilidades.",
-    examples=[["Vamos rusa"], ["Gatito mimoso"], ["presidenta del centro de estudiantes"]]
-)
-
-# Ejecutar la aplicación
-iface.launch()
+from transformers import XLMRobertaForSequenceClassification, XLMRobertaTokenizer
+import torch
+import gradio as gr
+
+# Nombre del modelo en Hugging Face
+model_path = "natmarinn/sentimientos-bregman"  # Cambia esto si tu modelo está en otro repositorio
+
+# Cargar el modelo y el tokenizador desde Hugging Face
+model = XLMRobertaForSequenceClassification.from_pretrained(model_path)
+tokenizer = XLMRobertaTokenizer.from_pretrained(model_path)
+
+# Definir las etiquetas de las clases
+clases = ["Negativo", "Neutro", "Positivo"]
+
+def clasificar_texto(texto):
+    # Tokenizar el texto de entrada
+    inputs = tokenizer(texto, return_tensors="pt", truncation=True)
+    
+    # Realizar la predicción y obtener las probabilidades
+    with torch.no_grad():
+        outputs = model(**inputs)
+        logits = outputs.logits
+        probs = torch.softmax(logits, dim=1).squeeze().tolist()  # Convertir a probabilidades
+    
+    # Crear una lista de categorías y probabilidades
+    categorias_prob = list(zip(clases, probs))
+    
+    # Ordenar por probabilidad de mayor a menor
+    categorias_prob = sorted(categorias_prob, key=lambda x: x[1], reverse=True)
+    
+    # Formatear el resultado en un string para mostrarlo en Gradio
+    resultado = "\n".join([f"{categoria}: {probabilidad:.2%}" for categoria, probabilidad in categorias_prob])
+    return resultado
+
+# Crear la interfaz en Gradio
+iface = gr.Interface(
+    fn=clasificar_texto,                # Función que ejecuta la clasificación
+    inputs="text",                      # Tipo de entrada: texto
+    outputs="text",                     # Tipo de salida: texto
+    title="Clasificación de Sentimientos - Myriam Bregman - Debate Presidencial",
+    description="Escribe un comentario sobre el debate presidencial y el modelo clasificará el sentimiento con sus probabilidades.",
+    examples=[["Vamos rusa"], ["Gatito mimoso"], ["presidenta del centro de estudiantes"]]
+)
+
+# Ejecutar la aplicación
+iface.launch(share=True)