File size: 1,639 Bytes
c43be1e 5a1f6bf 641b120 5a1f6bf c43be1e 5a1f6bf 641b120 5a1f6bf 19a96ce 5a1f6bf 19a96ce 5a1f6bf 19a96ce 5a1f6bf eb3bbff 5a1f6bf 19a96ce 5a1f6bf 19a96ce 5a1f6bf 19a96ce 5a1f6bf 19a96ce |
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 |
from sentence_transformers import SentenceTransformer
import gradio as gr
import numpy as np
import faiss
# Cargar el modelo de Sentence Transformers
model_name="quora-distilbert-multilingual"
model = SentenceTransformer(model_name)
# Funci贸n para vectorizar un texto
def vectorize_text(text):
return model.encode([text])[0]
# Cargar el 铆ndice de Faiss
index = faiss.read_index("faiss_train_index.index")
# Establecer el umbral de similitud (puedes ajustarlo seg煤n tus necesidades)
umbral_similitud = 0.8
# Funci贸n para la predicci贸n
def predecir_similitud(texto):
# Vectorizar el texto (usando la misma funci贸n que antes)
texto_vectorizado = vectorize_text(texto)
# Buscar similitud con Faiss
texto_vectorizado_np = np.array([texto_vectorizado], dtype=np.float32)
D, I = index.search(texto_vectorizado_np, 1) # Buscar el vector m谩s cercano
similitud = 1 - D[0][0] # Calcular similitud de coseno
# Comparar con el umbral y proporcionar el resultado
if similitud >= umbral_similitud:
resultado = f"Coincidencia detectada (similitud: {similitud:.2f})"
else:
resultado = f"No se detect贸 coincidencia (similitud: {similitud:.2f})"
return resultado
# Crear la interfaz de Gradio con un bot贸n de "Predecir"
iface = gr.Interface(
fn=predecir_similitud,
inputs=gr.inputs.Textbox(default="Ingrese su texto aqu铆"),
outputs=gr.outputs.Textbox(),
live=True,
title="Detector de Coincidencias",
description="Ingrese un texto y haga clic en 'Predecir' para detectar coincidencias con los vectores."
)
# Ejecutar la interfaz
iface.launch()
|