Spaces:
Sleeping
Sleeping
File size: 2,894 Bytes
f9c1747 817ba10 f9c1747 817ba10 f9c1747 817ba10 f9c1747 817ba10 f9c1747 817ba10 f9c1747 817ba10 26aef14 f9c1747 817ba10 f9c1747 817ba10 26aef14 e3bf834 26aef14 f9c1747 817ba10 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 |
import gradio as gr
import tensorflow as tf
import numpy as np
import joblib
from tensorflow.keras.preprocessing.sequence import pad_sequences
from transformers import pipeline
# Fonction de prédiction pour le lstm
def analyser_sentiment_lstm(tweet):
sequence = tokenizer.texts_to_sequences([tweet])
padded = pad_sequences(sequence)
prediction = model.predict(padded)[0]
sentiment = "Positif" if prediction[0] >= 0.5 else "Négatif"
return {sentiment: float(prediction[0]) if sentiment == "Positif" else 1 - float(prediction[0])}
def analyser_sentiment_camembert(tweet):
# charger le modèle
sentiment_pipeline = pipeline("sentiment-analysis", model="cmarkea/distilcamembert-base-sentiment")
# appliquer le modèle
result = sentiment_pipeline(tweet)[0]['label']
return result
# Charger le modèle LSTM
model = tf.keras.models.load_model("lstm_model.h5")
# Charger le tokenizer utilisé pendant l'entraînement
tokenizer = joblib.load('tokenizer.joblib')
# définir les blocks
demo = gr.Blocks(theme='earneleh/paris')
# Interface Gradio
interface1 = gr.Interface(
fn=analyser_sentiment_lstm,
inputs=gr.Textbox(lines=3, placeholder="Entrez un tweet en français ici..."),
outputs=gr.Label(num_top_classes=2),
title="Analyse de Sentiment de Tweets aves lstm",
description = """Cette application compare deux approches d’analyse de sentiment sur des tweets en français :
🔹 LSTM personnalisé : un modèle de réseau de neurones entraîné localement sur des tweets, capable de prédire si le sentiment est positif ou négatif avec une probabilité.
🔹 DistilCamemBERT : un modèle pré-entraîné de type Transformer (CamemBERT) spécialisé pour la langue française, utilisé via Hugging Face pour une classification rapide du sentiment.
Saisissez un tweet pour voir l’interprétation des deux modèles côte à côte.""" )
interface2 = gr.Interface(
fn = analyser_sentiment_camembert,
inputs=gr.Textbox(lines=3, placeholder="Entrez un tweet en français ici..."),
outputs=gr.Textbox(label='Output'),
title="Analyse de Sentiment de Tweets camembert",
description = """Cette application compare deux approches d’analyse de sentiment sur des tweets en français :
🔹 LSTM personnalisé : un modèle de réseau de neurones entraîné localement sur des tweets, capable de prédire si le sentiment est positif ou négatif avec une probabilité.
🔹 DistilCamemBERT : un modèle pré-entraîné de type Transformer (CamemBERT) spécialisé pour la langue française, utilisé via Hugging Face pour une classification rapide du sentiment.
Saisissez un tweet pour voir l’interprétation des deux modèles côte à côte."""
)
# faire un tabbing des interfaces
with demo:
gr.TabbedInterface([interface1, interface2], ['LSTM_SAM', 'CAMEMBERT_SAM'])
# lancer l'interface
demo.launch() |