nlp_st.py

import torch
import streamlit as st
import io
import imageio
from PIL import Image
import torch.nn as nn
import time
from task2 import predict_class
from task3 import generate_text
import tempfile
import os
from transformers import pipeline

# Замените "ваш-пользователь/ваш-новый-репозиторий" на ваш новый путь на Hugging Face
model_path = "HaggiVaggi/nlp_project"
generator = pipeline('text-generation', model=model_path)

st.title('Обработка естественного языка • Natural Language Processing')

with st.sidebar:
    st.header('Выберите страницу')
    page = st.selectbox("Выберите страницу", ["Главная", "Отзывы на рестораны",\
                        "Тематика новостей", "GPT by GPT-team", "Итоги"])

if page == "Главная":
    st.header('Выполнила команда "GPT":')
    st.subheader('🦁Рома')
    st.subheader('🐯Руслан')
    st.subheader('🐱Тата')
    

    st.header(" 🌟 " * 10)

    st.header('Наши задачи:')
    st.subheader('*Задача №1*: Классификация отзыва на рестораны')
    st.subheader('*Задача №2*: Классификация тематики новостей из телеграм каналов')
    st.subheader('*Задача №2*: Генерация текста GPT-моделью по пользовательскому prompt')


elif page == "Отзывы на рестораны":
    st.header("Отзывы на рестораны:")
   

elif page == "Тематика новостей":
    st.header("Тематика новостей:")

    st.markdown(f"<span style='font-size:{30}px; color:purple'>{'Модель: DeepPavlov/rubert-base-cased'}</span>", unsafe_allow_html=True)
    st.info('Модель основана на архитектуре BERT (Bidirectional Encoder Representations from Transformers), представленной в [статье](https://arxiv.org/abs/1810.04805)')
    st.info('Rubert-base-cased: "cased" означает, что в этой модели сохранен регистр слов. Это важно для русского языка, где регистр может влиять на смысл слов.')
    st.info('В библиотеке [Transformers от Hugging Face](https://huggingface.co/DeepPavlov/rubert-base-cased), слой классификации представляется в виде BertForSequenceClassification. Этот классификатор добавляется к основной модели BERT и обучается на конкретной задаче классификации текста.')
    user_input = st.text_area('Введите текст поста и мы узнаем, к какой тематике его отнести:')
    if st.button("Предсказать"):
        pred = predict_class(user_input)
        st.subheader("Это текст по теме:" )
        st.markdown(f'<span style="font-size:{25}px; color:pink">{pred}</span>', unsafe_allow_html=True)
        st.subheader("Accuracy и Loss на 5 эпохах" )
        image_1 = imageio.imread('pictures/im1.png')[:, :, :]
        st.image(image_1)



elif page == "GPT by GPT-team":
    st.header("GPT by GPT-team:")
    st.markdown(f"<span style='font-size:{30}px; color:green'>{'Модель: GPT2LMHeadModel'}</span>", unsafe_allow_html=True)
    st.info('[GPT2LMHeadModel](https://huggingface.co/docs/transformers/model_doc/gpt2) - это модель, способная генерировать текст, учитывая предшествующий контекст.')
    st.info('[Sberbank-ai/rugpt3small_based_on_gpt2](https://huggingface.co/ai-forever/rugpt3small_based_on_gpt2): Это конкретная предобученная модель GPT-2, которая была дообучена на русском языке командой Sber AI.\
             Она обладает способностью генерировать текст, принимая на вход текстовый контекст.')
    user_input2 = st.text_area("Введите текст:", "")
    if st.button("Сгенерировать"):
        generated = generate_text(user_input2)
        st.subheader("Сгенерированный текст:")
        st.markdown(f'<span style="font-size:{25}px; color:green">{generated}</span>', unsafe_allow_html=True)
       

    
    # st.subheader("- Модель: *ConvAutoencoder()*")
    # st.subheader("- Количество эпох обучения: *100*")

    # st.info('Расширение картинки должно быть в формате .jpg /.jpeg /.png')
    # image_url2 = st.text_input("Введите URL изображения")
    # start_time2 = time.time()

    # if image_url2:
    #     # Загрузка изображения по ссылке
    #     response2 = requests.get(image_url2)
    #     image2 = Image.open(io.BytesIO(response2.content))
    #     st.subheader('Ваше фото до обработки:')
    #     st.image(image2)
    #     prediction_result = predict_1(image2)

    #     show_result_button3 = st.button("Показать результат", key="result_button_3")
    #     if show_result_button3:
    #         st.success("Ваш результат готов!")

    #         st.subheader("Ваше фото после обработки:")
    #         st.image(prediction_result, channels='GRAY')
    #         st.subheader(f'Время предсказания: {round((time.time() - start_time2), 2)} сек.')
    #         st.header('🎈' * 10)





elif page == "Итоги":
    st.header('Результаты и выводы')
#     st.subheader('*Задача №1*: Детектирование ветряных мельниц')

#     st.subheader("Метрики из Clear ML")
#     image_1 = Image.open("pictures/P_curve.png")
#     image_2 = Image.open("pictures/PR_curve.png")
#     image_3 = Image.open("pictures/R_curve.png")
#     image_4 = Image.open("pictures/F1_curve.png")

# # Отображаем изображения в одной строке
#     st.image([image_1, image_2, image_3, image_4], caption=['Image 1 - P_curve', 'Image 2 - PR_curve', 'Image 3 - R_curve', 'Image 4 - F1_curve'], width=300)

#     st.subheader("Результативные графики из Clear ML")
#     image_5 = imageio.imread('pictures/plots.jpg')[:, :, :]
#     st.image(image_5)