Update app.py

app.py

@@ -1,9 +1,31 @@
 import streamlit as st
 from joblib import load
+from transformers import BertTokenizer, BertForSequenceClassification
+import torch
+from tensorflow.keras.models import load_model
+import tensorflow as tf
+from tensorflow.keras.preprocessing.text import Tokenizer
+from tensorflow.keras.preprocessing.sequence import pad_sequences
+import time
+
 clf = load('my_model_filename.pkl')
 vectorizer = load('tfidf_vectorizer.pkl')
 scaler = load('scaler.joblib')
 
+tukinazor = load('tokenizer.pkl')
+rnn_model = load_model('path_to_my_model.h5')
+bert_model = BertForSequenceClassification.from_pretrained('my_bert_model')
+tokenizer = BertTokenizer.from_pretrained('bert-base-multilingual-cased')
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+bert_model = bert_model.to(device)
+
+def predict_text(text):
+    sequences = tukinazor.texts_to_sequences([text])
+    padded_sequences = tf.keras.preprocessing.sequence.pad_sequences(sequences, maxlen=200, padding='post', truncating='post')
+    predictions = rnn_model.predict(padded_sequences)
+    predicted_class = tf.argmax(predictions, axis=-1).numpy()[0]
+    return predicted_class
+
 
 # Запуск приложения
 def main():
@@ -13,14 +35,47 @@ def main():
     user_input = st.text_area("Введите текст отзыва:")
 
     if st.button("Классифицировать"):
-        # Векторизация текста (если вы использовали TF-IDF или другой векторизатор)
+        start_time = time.time()
         user_input_vec = vectorizer.transform([user_input])
         sentence_vector_scaled = scaler.transform(user_input_vec)
-        # Прогноз модели
         prediction = clf.predict(
-            sentence_vector_scaled)  # Используйте user_input_vec вместо user_input, если текст нужно векторизировать
+            sentence_vector_scaled)
+        elapsed_time = time.time() - start_time
         st.write(f"Прогнозируемый класс: {prediction[0]}")
+        st.write(f"Время вычисления: {elapsed_time:.2f} сек.")
+
+    user_input_rnn = st.text_area("Введите текст отзыва для Keras RNN модели:")
+
+    if st.button("Классифицировать с RNN"):
+        start_time = time.time()
+        prediction_rnn = predict_text(user_input_rnn)
+        elapsed_time = time.time() - start_time
+        st.write(f"Прогнозируемый класс с RNN: {prediction_rnn}")
+        st.write(f"Время вычисления: {elapsed_time:.2f} сек.")
+
+    user_input_bert = st.text_area("Введите текст отзыва для BERT:")
+
+    if st.button("Классифицировать (BERT)"):
+        start_time = time.time()
+        encoding = tokenizer.encode_plus(
+            user_input_bert,
+            add_special_tokens=True,
+            max_length=200,
+            return_token_type_ids=False,
+            padding='max_length',
+            truncation=True,
+            return_attention_mask=True,
+            return_tensors='pt'
+        )
+        input_ids = encoding['input_ids'].to(device)
+        attention_mask = encoding['attention_mask'].to(device)
 
+        with torch.no_grad():
+            outputs = bert_model(input_ids=input_ids, attention_mask=attention_mask)
+            predictions = torch.argmax(outputs.logits, dim=1)
+            elapsed_time = time.time() - start_time
+            st.write(f"Прогнозируемый класс (BERT): {predictions.item() + 1}")
+            st.write(f"Время вычисления: {elapsed_time:.2f} сек.")
 
 if __name__ == "__main__":
     main()