Update app.py

app.py

@@ -1,21 +1,91 @@
-import os
 import streamlit as st
+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')
+    st.info("Modelos de clasificación cargados correctamente.")
+except Exception as e:
+    st.error(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
 
-st.title("Testing Gemma")
-input_text = st.text_input("How can I help you: ")
-process = st.button("Ask")
+# Cargar el pipeline de traducción de Hugging Face (inglés a español)
+try:
+    translator_en_es = pipeline("translation", model="Helsinki-NLP/opus-mt-en-es")
+    st.info("Modelo de traducción (inglés a español) cargado correctamente.")
+except Exception as e:
+    st.error(f"Error al cargar el modelo de traducción (inglés a español): {e}")
+    translator_en_es = None
 
-messages = [
-    {"role": "user", "content": input_text},
-    {"role": "system", "content": "You are a helpful assistant."}
-]
-pipe = pipeline("text-generation", model="google/gemma-3-1b-it", token=os.getenv("HF_TOKEN"))
+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 process and input_text:  
-    output = pipe(input_text)
-    if output and isinstance(output, list) and len(output) > 0 and "generated_text" in output[0]:
-        st.write(output[0]["generated_text"])
+    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:
-        st.write("No response generated or unexpected output format.")
+        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():
+    st.title("Aplicación de Clasificación y Traducción")
+
+    tab1, tab2 = st.tabs(["Clasificación de Noticias", "Traducción (Inglés a Español)"])
+
+    with tab1:
+        st.header("Clasificación de Noticias")
+        input_texto_clasificacion = st.text_area("Ingresa la noticia aquí:")
+        modelos = ["Transformer Encoder Apilado", "Transformer Positional Encoding", "Simple RNN", "LSTM"]
+        modelo_seleccion = st.selectbox("Selecciona el modelo:", modelos)
+        boton_clasificar = st.button("Clasificar")
+        if boton_clasificar:
+            if input_texto_clasificacion:
+                resultado_clasificacion = clasificar_noticia(input_texto_clasificacion, modelo_seleccion)
+                st.subheader("Resultado de la clasificación:")
+                st.write(resultado_clasificacion)
+            else:
+                st.warning("Por favor, ingresa el texto de la noticia.")
+
+    with tab2:
+        st.header("Traducción de Inglés a Español")
+        input_texto_traduccion = st.text_area("Ingresa el texto en inglés:")
+        boton_traducir = st.button("Traducir")
+        if boton_traducir:
+            if input_texto_traduccion:
+                texto_traducido = traducir_texto_en_es(input_texto_traduccion)
+                st.subheader("Texto traducido al español:")
+                st.write(texto_traducido)
+            else:
+                st.warning("Por favor, ingresa el texto en inglés.")
+
+if __name__ == "__main__":
+    main()