aaa

app.py

@@ -12,7 +12,7 @@ def load_model():
     inference_model = AutoModelForSequenceClassification.from_pretrained(model_path)
     return pipeline("text-classification", model=inference_model, tokenizer=inference_tokenizer, top_k=None)
 
-def top_pct(preds, threshold: float = 0.95):
+def top_pct(preds, threshold: float = 0.9):
     """Возвращает топ предсказаний, пока их суммарная вероятность не превысит threshold"""
     if not preds:
         return []
@@ -47,7 +47,7 @@ threshold = st.slider(
     "Порог уверенности (суммарная вероятность тематик):", 
     min_value=0.5, 
     max_value=1.0, 
-    value=0.95, 
+    value=0.9, 
     step=0.05
 )
 
@@ -82,14 +82,19 @@ if st.button("Определить тематики"):
 with st.sidebar:
     st.markdown("""
     ## О сервисе
-    Этот сервис использует модель PubMedBERT, обученную для классификации научных статей по тематикам.
+    Этот сервис использует модель уже обученную языковую модель для выделения тематики статьи по ее описанию.
     
     ### Как использовать:
     1. Введите текст абстракта в поле ввода
-    2. Отрегулируйте порог уверенности (по умолчанию 0.95)
+    2. Отрегулируйте порог уверенности (по умолчанию 0.90)
     3. Нажмите кнопку "Определить тематики"
     
     ### Техническая информация:
-    - Используемое устройство: {'GPU' if device == 'cuda' else 'CPU'}
-    - Модель: oracat/bert-paper-classifier-arxiv
-    """)
+    - Используемый датасет: [arXiv papers](https://www.kaggle.com/datasets/neelshah18/arxivdataset)
+    - Модель: [BiomedNLP-PubMedBERT](https://huggingface.co/microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract)
+                
+    ### Благодарности:
+    - Большое спасибо Диму Сафину, Ekaterina Zabairachnaya и Андрею Панферову за содержательную критику и активную поддержку,
+                без вас бы я уже ливнул бы отседова. 
+    """
+    )