Update app.py

app.py

@@ -1,107 +1,10 @@
-import cv2
-import time
-import numpy as np
-import pandas as pd
-import gradio as gr
-import tensorflow as tf
-import matplotlib.pyplot as plt
 from tensorflow.keras.datasets import imdb
-from tensorflow.keras.callbacks import Callback
-from tensorflow.keras.preprocessing.sequence import pad_sequences
-from sklearn.model_selection import train_test_split
-from tensorflow.keras.models import Sequential
-from tensorflow.keras.layers import Dense, LSTM, Embedding
-from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
-
-# Завантаження датасету з CSV-файлу
-url = 'https://s3.amazonaws.com/amazon-reviews-pds/tsv/amazon_reviews_us_Books_v1_02.tsv.gz'
-df = pd.read_csv(url, sep='\t', compression='gzip', error_bad_lines=False)
-
-# Відображення перших 5 рядків датасету
-print(df.head())
-
-number_of_words = 10000
-(X_train, y_train), (X_test, y_test) = imdb.load_data(num_words = number_of_words)
-
-print(X_train.shape)
-print(y_train.shape)
-print(X_test.shape)
-print(y_test.shape)
-print(y_test[8])
-
-
-word_to_index = imdb.get_word_index()
-word_to_index['great']
-
-index_to_word = {index: word for (word, index) in word_to_index.items()}
-
-print([index_to_word[i] for i in range(1, 51)])
-
-print(X_train[123])
-print(' '.join([index_to_word.get(i-3, '?') for i in X_train[123]]))
-print(y_train[123])
+from tensorflow import keras
+import gradio as gr
 
+rnn = keras.models.load_model('model.h5')
 words_per_review = 200
-text = [2, 4, 5, 6]
-X_train = pad_sequences(X_train, maxlen = words_per_review)
-print(X_train.shape)
-X_test = pad_sequences(X_test, maxlen = words_per_review)
-print(X_test.shape)
-print(X_train[123])
-
-X_test, X_val, y_test, y_val = train_test_split(X_test, y_test, random_state = 11, test_size = 0.20)
-
-print(X_test.shape)
-print(X_val.shape)
-
-rnn = Sequential()
-rnn.add(Embedding(input_dim = number_of_words, output_dim = 128, input_length = words_per_review))
-rnn.add(LSTM(units = 128, dropout = 0.2, recurrent_dropout = 0.2))
-rnn.add(Dense(units = 1, activation = 'sigmoid'))
-
-rnn.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
-rnn.summary()
-
-class TimingCallback(Callback):
-    def on_train_begin(self, logs={}):
-        self.start_time = time.time()
-
-    def on_train_end(self, logs={}):
-        elapsed_time = time.time() - self.start_time
-        print('Витрачений час на навчання: ', round(elapsed_time, 2), ' секунд')
-
-history_rrn = rnn.fit(X_train, y_train, epochs = 10, batch_size = 32, validation_data = (X_test, y_test), callbacks=[TimingCallback()])
-
-result = rnn.evaluate(X_test, y_test)
-print(result)
-
-def evaluate_model(model, history, X_test, Y_test):
-    loss, accuracy = model.evaluate(X_test, Y_test, verbose = 0)
-    print("Значення функції точності: ", accuracy)
-
-    # Обчислення тривалості навчання моделі (в епохах)
-    training_time = history.epoch[-1] + 1
-    print('Тривалість навчання: ', training_time, ' епох')
-
-
-    Y_pred = model.predict(X_test)
-    # Показує наскільки сильно відрізняються передбачення моделі від фактичних значень цільової змінної
-    print('Mean Absolute Error (MAE) - середня абсолютна помилка:', mean_absolute_error(Y_test, Y_pred))
-    # Показує середнє значення квадрата різниці між фактичними та передбаченими значеннями
-    print('Mean Squared Error (MSE) - середня квадратична помилка:', mean_squared_error(Y_test, Y_pred))
-    # Показує, наскільки добре модель відповідає даним
-    print('R-squared (R2) – коефіцієнт детермінації:' + str(r2_score(Y_test, Y_pred)))
-
-    #Побудова графіка
-    plt.plot(history.history['loss'], label='Training loss')
-    plt.title('Model loss')
-    plt.ylabel('Loss')
-    plt.xlabel('Epoch')
-    plt.legend()
-    plt.show()
-
-evaluate_model(rnn, history_rrn, X_test, y_test)
-
+word_to_index = imdb.get_word_index()
 
 # Створення функції для оцінки коментаря
 def predict_comment_score(comment):