|
|
|
import streamlit as st |
|
from transformers import T5ForConditionalGeneration, T5TokenizerFast, T5Config |
|
|
|
|
|
if 'textbox' not in st.session_state: |
|
st.session_state['textbox'] = "Vi bruker ikke tegnsetting eller store bokstaver når vi prater. Vi slår også sammen ord, og i praksis er dermed heller ikke mellomrom meningsbærende. Prøv å fjerne tegnsetting, store bokstaver og mellomrom fra dette avsnittet. Se om den nye North-T5-modellen greier å sette sammen til et nytt meningsbærende avsnitt." |
|
|
|
@st.cache(allow_output_mutation=True, suppress_st_warning=True) |
|
def load_model(): |
|
model_name = "north/demo-deuncaser-base" |
|
config = T5Config.from_pretrained(model_name) |
|
model = T5ForConditionalGeneration.from_pretrained(model_name,config=config) |
|
tokenizer = T5TokenizerFast.from_pretrained(model_name) |
|
return (model, tokenizer) |
|
|
|
def deuncase(model, tokenizer, text): |
|
encoded_txt = tokenizer(text, return_tensors="pt") |
|
generated_tokens = model.generate( |
|
**encoded_txt |
|
) |
|
return tokenizer.batch_decode(generated_tokens, skip_special_tokens=True) |
|
def uncase(): |
|
st.session_state['textbox'] = st.session_state['textbox'].lower() |
|
|
|
def unpunct(): |
|
text = st.session_state['textbox'] |
|
trans_chars = "'\",.:;-_*?/\n" |
|
trans_table = text.maketrans("", "", trans_chars) |
|
st.session_state['textbox'] = text.translate(trans_table) |
|
|
|
def unspace(): |
|
st.session_state['textbox'] = st.session_state['textbox'].replace(" ","") |
|
|
|
def sidebar_callback(): |
|
st.session_state['textbox'] = st.session_state['prefilled'] |
|
|
|
st.title("DeUnCaser") |
|
st.sidebar.write("This web app adds spaces, punctation and capitalisation back into the text.") |
|
st.sidebar.write("You can use the examples below, but too really test the effect of the model: Write or copy text from the Internet, and then manually remove spaces, puctation, cases etc. Try to restore the text.") |
|
option = st.sidebar.selectbox( |
|
"Examples:", |
|
("Vi bruker ikke tegnsetting eller store bokstaver når vi prater. Vi slår også sammen ord, og i praksis er dermed heller ikke mellomrom meningsbærende. Prøv å fjerne tegnsetting, store bokstaver og mellomrom fra dette avsnittet. Se om den nye North-T5-modellen greier å sette sammen til et nytt meningsbærende avsnitt.","tirsdag var travel for ukrainas president volodymyr zelenskyj på morgenen tok han imot polens statsminister mateusz morawiecki","tirsdagvartravelforukrainaspresidentvolodymyrzelenskyjpåkveldentokhanimotpolensstatsministermateuszmorawiecki","deterikkelettåholderedepåstoreogsmåbokstavermanmåforeksempelhuskestorforbokstavnårmanskriveromkrimhalvøyamenkunbrukelitenforbokstavnårmanhenvisertilenkrimroman","detteerenlitendemosomerlagetavperegilkummervoldhanerenforskersomtidligerejobbetvednasjonalbiblioteketimoirana", "sentpå60talletvardetfaktisknoensomkalteungensinperegilkummervoldidagerdetikkelengersåvanligåbrukedobbeltnavninorgehvasynesduomdet"),key='prefilled',on_change=sidebar_callback) |
|
|
|
col1, col2, col3 = st.columns(3) |
|
placeholder = st.empty() |
|
|
|
with col1: |
|
st.button('Remove Punctation', on_click=uncase) |
|
with col2: |
|
st.button('Remove Casing', on_click=unpunct) |
|
with col3: |
|
st.button('Remove Spaces', on_click=unspace) |
|
|
|
with placeholder: |
|
text = st.text_area(f"Input text",max_chars=1000,height=140,key="textbox") |
|
|
|
run = st.button('Run DeUnCaser') |
|
|
|
if run: |
|
model, tokenizer = load_model() |
|
translated_text = deuncase(model, tokenizer, text) |
|
st.write(translated_text[0] if translated_text else "Unknown Error Translating Text") |
|
|
|
|
