Update app.py

app.py

@@ -13,11 +13,12 @@ id2label = {0: "NEGATIVE", 1: "POSITIVE"}
 label2id = {"NEGATIVE": 0, "POSITIVE": 1}
 
 
-title = "한국어/영어 감정 분석 예제(네이버 영화 리뷰를 활용)"
-description = "영화평을 입력하여 긍정적인지 부정적인지를 분류하는 모델입니다. \
-                한국어인지 영어인지 판단하고 예측해주는 ""Default""라는 버전도 제공합니다." \
-                한국어 버전과 영어 버전 중에서 선택할 수 있습니다.
-                
+title = "영화 리뷰 점수 판별기"
+description = "영화평을 입력하여 긍정적인지 부정적인지를 분류하는 프로그램입니다. \
+                한국어 버전과 영어 버전 중에서 선택할 수 있습니다. \
+                한국어인지 영어인지 판단하고 예측해주는 ""Default""라는 버전도 제공합니다."
+
+
 class LanguageIdentification:
     def __init__(self):
         pretrained_lang_model = "./lid.176.ftz"
@@ -40,6 +41,7 @@ def tokenized_data(tokenizer, inputs):
         truncation=True)
 
 
+
 examples = []
 df = pd.read_csv('examples.csv', sep='\t', index_col='Unnamed: 0')
 np.random.seed(100)
@@ -148,29 +150,46 @@ def builder(Lang, Text):
     return id2label[prediction.item()]
 
 
+# demo3 = gr.Interface.load("models/mdj1412/movie_review_score_discriminator_eng", inputs="text", outputs="text", 
+#                          title=title, theme="peach",
+#                          allow_flagging="auto",
+#                          description=description, examples=examples)
+
+
+
+# demo = gr.Interface(builder, inputs=[gr.inputs.Dropdown(['Default', 'Eng', 'Kor']), gr.Textbox(placeholder="리뷰를 입력하시오.")], 
+#                     outputs=[ gr.Label(num_top_classes=3, label='Lang'), 
+#                             gr.Label(num_top_classes=2, label='Result'),
+#                             gr.HighlightedText(label="Analysis", combine_adjacent=False)
+#                             .style(color_map={"+++": "#CF0000", "++": "#FF3232", "+": "#FFD4D4", "---": "#0004FE", "--": "#4C47FF", "-": "#BEBDFF"}) ],
+#                     # outputs='label',
+#                     title=title, description=description, examples=examples)
+
+
+
 with gr.Blocks() as demo1:
     gr.Markdown(
     """
     <h1 align="center">
-    한국어/영어 감정 분석 예제(네이버 영화 리뷰를 활용)
+    영화 리뷰 점수 판별기
     </h1>
     """)
 
     gr.Markdown(
     """
-    영화 리뷰를 입력하면, 긍정적인 감정인지 부정적인 감정인지 판별하는 모델입니다. \
-    영어와 한글을 지원하며, 언어를 직접 선택할수도, 혹은 모델이 언어감지를 직접 하도록 할 수 있습니다.  
+    영화 리뷰를 입력하면, 리뷰가 긍정인지 부정인지 판별해주는 모델이다. \
+    영어와 한글을 지원하며, 언어를 직접 선택할수도, 혹은 모델이 언어감지를 직접 하도록 할 수 있다.  
     리뷰를 입력하면, (1) 감지된 언어, (2) 긍정 리뷰일 확률과 부정 리뷰일 확률, (3) 입력된 리뷰의 어느 단어가 긍정/부정 결정에 영향을 주었는지 \
-    (긍정일 경우 빨강색, 부정일 경우 파란색)를 확인할 수 있습니다.
+    (긍정일 경우 빨강색, 부정일 경우 파란색)를 확인할 수 있다.
     """)
 
     with gr.Accordion(label="모델에 대한 설명 ( 여기를 클릭 하시오. )", open=False):
         gr.Markdown(
         """
-        영어 모델은 bert-base-uncased 기반으로, 영어 영화 리뷰 분석 데이터셋인 SST-2로 학습 및 평가되었습니다.  
-        한글 모델은 klue/roberta-base 기반이다. 기존 한글 영화 리뷰 분석 데이터셋이 존재하지 않아, 네이버 영화의 리뷰를 크롤링해서 영화 리뷰 분석 데이터셋을 제작하고, 이를 이용하여 모델을 학습 및 평가하였습니다.  
-        영어 모델은 SST-2에서 92.8%, 한글 모델은 네이버 영화 리뷰 데이터셋에서 94%의 정확도를 가집니다(test set 기준).
-        언어감지는 fasttext의 language detector를 사용하였다. 리뷰의 단어별 영향력은, 단어 각각을 모델에 넣었을 때 결과가 긍정으로 나오는지 부정으로 나오는지를 바탕으로 측정하였습니다.
+        영어 모델은 bert-base-uncased 기반으로, 영어 영화 리뷰 분석 데이터셋인 SST-2로 학습 및 평가되었다.  
+        한글 모델은 klue/roberta-base 기반이다. 기존 한글 영화 리뷰 분석 데이터셋이 존재하지 않아, 네이버 영화의 리뷰를 크롤링해서 영화 리뷰 분석 데이터셋을 제작하고, 이를 이용하여 모델을 학습 및 평가하였다.  
+        영어 모델은 SST-2에서 92.8%, 한글 모델은 네이버 영화 리뷰 데이터셋에서 94%의 정확도를 가진다 (test set 기준).  
+        언어감지는 fasttext의 language detector를 사용하였다. 리뷰의 단어별 영향력은, 단어 각각을 모델에 넣었을 때 결과가 긍정으로 나오는지 부정으로 나오는지를 바탕으로 측정하였다.
         """)
 
     with gr.Row():