Create app.py

app.py

@@ -0,0 +1,133 @@
+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])
+
+%pprint
+
+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])
+
+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)
+
+
+# Створення функції для оцінки коментаря
+def predict_comment_score(comment):
+    class_names = ["Negative", "Positive"]
+    words = comment.split()
+    print(len(words))
+    indexes = np.zeros(words_per_review).astype(int)
+    indexes[words_per_review -len(words) - 1] = 1
+    for i, word in enumerate(words):
+      indexes[words_per_review -len(words) + i] = word_to_index.get(word, 0) + 3
+    indexes = np.expand_dims(indexes, axis=0)
+    predictions = rnn.predict(indexes)
+    prediction = { } 
+    prediction["Negative"] = float(np.round(1 - predictions[0], 3)) 
+    prediction["Positive"] = float(np.round(predictions[0], 3)) 
+    return prediction
+
+demo = gr.Blocks()
+
+# Створення інтерфейсу Gradio
+with demo:
+    with gr.Tab("Predict comment score"):
+      image_input = gr.TextArea(label="Enter a comment")
+      output = gr.Label(label="Comment score")
+      image_button = gr.Button("Predict")
+      image_button.click(predict_comment_score, inputs=image_input, outputs=output)
+
+demo.launch(debug=True)