Update app.py

cargo de modelos de clasificacion

app.py

@@ -1,41 +1,84 @@
-from transformers import pipeline
 import gradio as gr
+import tensorflow as tf
+from transformers import pipeline
+import os
+
+# Cargar tus modelos de clasificación (asumiendo que están en la raíz del proyecto)
+try:
+    model_transformer_encoder = tf.keras.models.load_model('stacked_transformer_encoder.keras')
+    model_transformer_positional_encoding = tf.keras.models.load_model('transformer_encoder_pos.keras')
+    model_simple_rnn = tf.keras.models.load_model('model_simple_rnn.keras')
+    model_lstm = tf.keras.models.load_model('model_lstm.keras')
+    print("Modelos de clasificación cargados correctamente.")
+except Exception as e:
+    print(f"Error al cargar los modelos de clasificación: {e}")
+    model_transformer_encoder = None
+    model_transformer_positional_encoding = None
+    model_simple_rnn = None
+    model_lstm = None
+
+# Cargar el pipeline de traducción de Hugging Face (inglés a español)
+try:
+    translator_en_es = pipeline("translation", model="Helsinki-NLP/opus-mt-en-es")
+except Exception as e:
+    print(f"Error al cargar el modelo de traducción (inglés a español): {e}")
+    translator_en_es = None
+
+def clasificar_noticia(texto, modelo_seleccionado):
+    """Función para clasificar el texto usando el modelo seleccionado."""
+    modelo_a_usar = None
+    if modelo_seleccionado == "Transformer Encoder Apilado" and model_transformer_encoder is not None:
+        modelo_a_usar = model_transformer_encoder
+    elif modelo_seleccionado == "Transformer Positional Encoding" and model_transformer_positional_encoding is not None:
+        modelo_a_usar = model_transformer_positional_encoding
+    elif modelo_seleccionado == "Simple RNN" and model_simple_rnn is not None:
+        modelo_a_usar = model_simple_rnn
+    elif modelo_seleccionado == "LSTM" and model_lstm is not None:
+        modelo_a_usar = model_lstm
+
+    if modelo_a_usar:
+        # *** IMPORTANTE: Implementa aquí la lógica de preprocesamiento del texto ***
+        # para que coincida con la entrada esperada por el modelo.
+        # Esto incluye tokenización, padding, etc.
+        prediction = modelo_a_usar.predict([texto])
+        # *** IMPORTANTE: Interpreta la salida del modelo para obtener la clase predicha. ***
+        # Esto dependerá de cómo entrenaste tu modelo.
+        return f"Clase predicha ({modelo_seleccionado}): {prediction}"
+    else:
+        return f"El modelo '{modelo_seleccionado}' no está disponible."
+
+def traducir_texto_en_es(texto_en):
+    """Función para traducir texto de inglés a español."""
+    if translator_en_es:
+        result = translator_en_es(texto_en)[0]['translation_text']
+        return result
+    else:
+        return "El modelo de traducción (inglés a español) no está disponible."
+
+def main():
+    with gr.Blocks() as demo:
+        gr.Markdown("# Aplicación de Clasificación y Traducción")
+
+        with gr.TabbedInterface() as tabs:
+            with gr.TabItem("Clasificación de Noticias"):
+                gr.Markdown("## Clasificación de Noticias")
+                input_texto_clasificacion = gr.Textbox(label="Ingresa la noticia aquí:")
+                modelo_seleccion = gr.Dropdown(
+                    ["Transformer Encoder Apilado", "Transformer Positional Encoding", "Simple RNN", "LSTM"],
+                    label="Selecciona el modelo:"
+                )
+                output_clasificacion = gr.Textbox(label="Resultado de la clasificación:")
+                boton_clasificar = gr.Button("Clasificar")
+                boton_clasificar.click(fn=clasificar_noticia, inputs=[input_texto_clasificacion, modelo_seleccion], outputs=output_clasificacion)
+
+            with gr.TabItem("Traducción (Inglés a Español)"):
+                gr.Markdown("## Traducción de Inglés a Español")
+                input_texto_traduccion = gr.Textbox(label="Ingresa el texto en inglés:")
+                output_traduccion = gr.Textbox(label="Texto traducido al español:")
+                boton_traducir = gr.Button("Traducir")
+                boton_traducir.click(fn=traducir_texto_en_es, inputs=input_texto_traduccion, outputs=output_traduccion)
+
+    demo.launch()
 
-# Define el modelo de traducción inglés-español
-modelo_traduccion = pipeline("translation", model="Helsinki-NLP/opus-mt-en-es")
-
-def traducir_texto(texto_en):
-    """
-    Traduce directamente el texto de entrada del inglés al español.
-    """
-    if not texto_en.strip():
-        return ""
-    try:
-        resultado = modelo_traduccion(texto_en)
-        return resultado[0]['translation_text']
-    except Exception as e:
-        return f"Error en la traducción: {e}"
-
-def borrar_entrada(texto_entrada):
-    """
-    Borra el texto del cuadro de texto de entrada.
-    """
-    return ""
-
-with gr.Blocks() as interfaz_traductor:
-    """
-    Define la interfaz gráfica de la aplicación de traducción de inglés a español (básica).
-    """
-    gr.Markdown("# Traductor Inglés a Español")
-    with gr.Row():
-        with gr.Column():
-            texto_entrada_en = gr.Textbox(label="Texto en inglés", placeholder="Pega aquí el texto en inglés", lines=10)
-            boton_borrar = gr.Button("Borrar todo")
-        with gr.Column():
-            texto_salida_es = gr.Textbox(label="Traducción al español", placeholder="La traducción aparecerá aquí", interactive=False, lines=10)
-            gr.Markdown("*Puedes copiar el texto traducido seleccionándolo y usando Ctrl+C (o Cmd+C en macOS).*")
-
-    texto_entrada_en.change(traducir_texto, inputs=texto_entrada_en, outputs=texto_salida_es)
-    boton_borrar.click(borrar_entrada, inputs=texto_entrada_en, outputs=texto_entrada_en)
-
-interfaz_traductor.launch()
+if __name__ == "__main__":
+    main()