Spaces:
Sleeping
Sleeping
Maria Fernanda G commited on
Commit ·
c9e353b
1
Parent(s): 73d5355
desarrollo del taller transformers
Browse files- .gitignore +29 -0
- app.py +19 -0
- requirements.txt +7 -0
- sentiment_analyzer.py +75 -0
- user_interface.py +233 -0
.gitignore
ADDED
|
@@ -0,0 +1,29 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
.venv/
|
| 2 |
+
venv/
|
| 3 |
+
__pycache__/
|
| 4 |
+
*.py[cod]
|
| 5 |
+
*$py.class
|
| 6 |
+
|
| 7 |
+
.env
|
| 8 |
+
.env.*
|
| 9 |
+
!.env.example
|
| 10 |
+
|
| 11 |
+
.vscode/
|
| 12 |
+
.gradio
|
| 13 |
+
.cache/
|
| 14 |
+
|
| 15 |
+
build/
|
| 16 |
+
dist/
|
| 17 |
+
*.egg-info/
|
| 18 |
+
|
| 19 |
+
.pytest_cache/
|
| 20 |
+
.mypy_cache/
|
| 21 |
+
.ruff_cache/
|
| 22 |
+
.coverage
|
| 23 |
+
.coverage.*
|
| 24 |
+
htmlcov/
|
| 25 |
+
|
| 26 |
+
*.log
|
| 27 |
+
.DS_Store
|
| 28 |
+
Thumbs.db
|
| 29 |
+
flagged/
|
app.py
ADDED
|
@@ -0,0 +1,19 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
# ============================================================
|
| 2 |
+
# Maestría de Ciencia de Datos
|
| 3 |
+
#
|
| 4 |
+
# Curso: Transformers
|
| 5 |
+
#
|
| 6 |
+
# Autores:
|
| 7 |
+
# - Samir Mateo Sierra Blanco
|
| 8 |
+
# - Maria Fernanda González Acevedo
|
| 9 |
+
# ============================================================
|
| 10 |
+
|
| 11 |
+
# Se importan la función que construye la interfaz y su configuración visual
|
| 12 |
+
from user_interface import create_interface, THEME, CSS
|
| 13 |
+
|
| 14 |
+
# Se crea la aplicación
|
| 15 |
+
demo = create_interface()
|
| 16 |
+
|
| 17 |
+
# Se lanza la aplicación solo si este archivo se ejecuta directamente
|
| 18 |
+
if __name__ == "__main__":
|
| 19 |
+
demo.launch(theme=THEME, css=CSS)
|
requirements.txt
ADDED
|
@@ -0,0 +1,7 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
transformers
|
| 2 |
+
datasets
|
| 3 |
+
torch
|
| 4 |
+
huggingface_hub
|
| 5 |
+
python-dotenv
|
| 6 |
+
gradio
|
| 7 |
+
spaces
|
sentiment_analyzer.py
ADDED
|
@@ -0,0 +1,75 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
# ============================================================
|
| 2 |
+
# Maestría de Ciencia de Datos
|
| 3 |
+
#
|
| 4 |
+
# Curso: Transformers
|
| 5 |
+
#
|
| 6 |
+
# Autores:
|
| 7 |
+
# - Samir Mateo Sierra Blanco
|
| 8 |
+
# - Maria Fernanda González Acevedo
|
| 9 |
+
# ============================================================
|
| 10 |
+
|
| 11 |
+
# Se importan las librerías necesarias
|
| 12 |
+
import spaces
|
| 13 |
+
import torch
|
| 14 |
+
from transformers import AutoTokenizer, AutoModelForSequenceClassification
|
| 15 |
+
|
| 16 |
+
# Se especifica el modelo a utilizar
|
| 17 |
+
MODEL_ID = "nlptown/bert-base-multilingual-uncased-sentiment"
|
| 18 |
+
|
| 19 |
+
# Se carga el tokenizador y el modelo
|
| 20 |
+
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
|
| 21 |
+
model = AutoModelForSequenceClassification.from_pretrained(MODEL_ID)
|
| 22 |
+
|
| 23 |
+
# Se pone el modelo en modo evaluación para desactivar el dropout y las capas que solo se usan durante el entrenamiento
|
| 24 |
+
model.eval()
|
| 25 |
+
|
| 26 |
+
# Se define la función para analizar el sentimiento de los textos
|
| 27 |
+
@spaces.GPU
|
| 28 |
+
def analyze_sentiment(texts: str | list[str]) -> list[dict[str, str | float]]:
|
| 29 |
+
|
| 30 |
+
# Se verifica si el input es un string o una lista de strings, y se convierte a lista si es necesario
|
| 31 |
+
if isinstance(texts, str):
|
| 32 |
+
texts = [texts]
|
| 33 |
+
|
| 34 |
+
# Se tokenizan los textos, se aplica padding y truncation, y se convierten a tensores de PyTorch
|
| 35 |
+
inputs = tokenizer(texts, padding = True, truncation = True, return_tensors = "pt")
|
| 36 |
+
|
| 37 |
+
# Se realiza la inferencia con el modelo sin calcular gradientes
|
| 38 |
+
with torch.no_grad():
|
| 39 |
+
# Se obtienen las salidas del modelo
|
| 40 |
+
outputs = model(**inputs)
|
| 41 |
+
|
| 42 |
+
# Se calculan las probabilidades a partir de los logits utilizando softmax
|
| 43 |
+
probabilities = torch.softmax(outputs.logits, dim = -1)
|
| 44 |
+
|
| 45 |
+
# Se obtiene la clase con la mayor probabilidad para cada texto
|
| 46 |
+
predictions = torch.argmax(probabilities, dim = -1)
|
| 47 |
+
|
| 48 |
+
results = []
|
| 49 |
+
|
| 50 |
+
# Se itera sobre las predicciones y se construye la lista de resultados
|
| 51 |
+
for index, prediction in enumerate(predictions):
|
| 52 |
+
# Se obtiene la etiqueta y probabilidad correspondiente a la predicción
|
| 53 |
+
label = model.config.id2label[prediction.item()]
|
| 54 |
+
score = probabilities[index,prediction].item()
|
| 55 |
+
|
| 56 |
+
# Se determina el sentimiento basado en la etiqueta
|
| 57 |
+
stars = int(label.split()[0])
|
| 58 |
+
|
| 59 |
+
# Se asigna el sentimiento según el número de estrellas
|
| 60 |
+
if stars <=2:
|
| 61 |
+
sentiment = "Negativo"
|
| 62 |
+
elif stars == 3:
|
| 63 |
+
sentiment = "Neutral"
|
| 64 |
+
else:
|
| 65 |
+
sentiment = "Positivo"
|
| 66 |
+
|
| 67 |
+
# Se agrega el resultado al diccionario de resultados
|
| 68 |
+
results.append({
|
| 69 |
+
"text": texts[index],
|
| 70 |
+
"label": label,
|
| 71 |
+
"sentiment": sentiment,
|
| 72 |
+
"score": round(score, 4)
|
| 73 |
+
})
|
| 74 |
+
|
| 75 |
+
return results
|
user_interface.py
ADDED
|
@@ -0,0 +1,233 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
# ============================================================
|
| 2 |
+
# Maestría de Ciencia de Datos
|
| 3 |
+
#
|
| 4 |
+
# Curso: Transformers
|
| 5 |
+
#
|
| 6 |
+
# Autores:
|
| 7 |
+
# - Samir Mateo Sierra Blanco
|
| 8 |
+
# - Maria Fernanda González Acevedo
|
| 9 |
+
# ============================================================
|
| 10 |
+
|
| 11 |
+
# Se importan las librerías necesarias
|
| 12 |
+
import gradio as gr
|
| 13 |
+
|
| 14 |
+
# Se importa la función de análisis desarrollada en sentiment_analyzer.py
|
| 15 |
+
from sentiment_analyzer import analyze_sentiment
|
| 16 |
+
|
| 17 |
+
# ------------------------------------------------------------
|
| 18 |
+
# Configuración visual
|
| 19 |
+
# ------------------------------------------------------------
|
| 20 |
+
|
| 21 |
+
# Colores asociados a cada sentimiento (tonos sobrios, aptos para presentación académica)
|
| 22 |
+
SENTIMENT_STYLES = {
|
| 23 |
+
"Positivo": {"color": "#1B6B4A", "background": "#EAF4EF"},
|
| 24 |
+
"Neutral": {"color": "#4A5568", "background": "#EFF1F4"},
|
| 25 |
+
"Negativo": {"color": "#9B2C2C", "background": "#FBECEC"},
|
| 26 |
+
}
|
| 27 |
+
|
| 28 |
+
# Tema base de Gradio: tonos azules y grises, tipografía Inter
|
| 29 |
+
THEME = gr.themes.Base(
|
| 30 |
+
primary_hue="blue",
|
| 31 |
+
neutral_hue="slate",
|
| 32 |
+
font=[gr.themes.GoogleFont("Inter"), "system-ui", "sans-serif"],
|
| 33 |
+
)
|
| 34 |
+
|
| 35 |
+
# Estilos CSS adicionales para el encabezado y la tarjeta de resultado
|
| 36 |
+
CSS = """
|
| 37 |
+
.gradio-container { max-width: 1100px !important; margin: 0 auto !important; }
|
| 38 |
+
|
| 39 |
+
.app-header {
|
| 40 |
+
background: #1F3A5F;
|
| 41 |
+
padding: 28px 32px;
|
| 42 |
+
border-radius: 8px;
|
| 43 |
+
margin-bottom: 12px;
|
| 44 |
+
}
|
| 45 |
+
.app-header .eyebrow {
|
| 46 |
+
color: #B8C7DB !important;
|
| 47 |
+
font-size: 0.8rem;
|
| 48 |
+
letter-spacing: 0.08em;
|
| 49 |
+
text-transform: uppercase;
|
| 50 |
+
margin: 0 0 6px 0;
|
| 51 |
+
}
|
| 52 |
+
.app-header h1 {
|
| 53 |
+
color: #FFFFFF !important;
|
| 54 |
+
font-size: 1.7rem;
|
| 55 |
+
font-weight: 600;
|
| 56 |
+
margin: 0 0 8px 0;
|
| 57 |
+
}
|
| 58 |
+
.app-header .subtitle {
|
| 59 |
+
color: #D5DEEA !important;
|
| 60 |
+
font-size: 0.95rem;
|
| 61 |
+
margin: 0;
|
| 62 |
+
}
|
| 63 |
+
|
| 64 |
+
.result-card {
|
| 65 |
+
padding: 24px 28px;
|
| 66 |
+
border-radius: 8px;
|
| 67 |
+
border: 1px solid #D9DEE5;
|
| 68 |
+
min-height: 260px;
|
| 69 |
+
}
|
| 70 |
+
.result-card .caption {
|
| 71 |
+
color: #5B6572 !important;
|
| 72 |
+
font-size: 0.78rem;
|
| 73 |
+
letter-spacing: 0.06em;
|
| 74 |
+
text-transform: uppercase;
|
| 75 |
+
margin: 0 0 4px 0;
|
| 76 |
+
}
|
| 77 |
+
.result-card .sentiment {
|
| 78 |
+
font-size: 2rem;
|
| 79 |
+
font-weight: 700;
|
| 80 |
+
margin: 0 0 6px 0;
|
| 81 |
+
}
|
| 82 |
+
.result-card .stars {
|
| 83 |
+
font-size: 1.4rem;
|
| 84 |
+
letter-spacing: 3px;
|
| 85 |
+
margin: 0 0 4px 0;
|
| 86 |
+
}
|
| 87 |
+
.result-card .meta {
|
| 88 |
+
color: #4A5568 !important;
|
| 89 |
+
font-size: 0.9rem;
|
| 90 |
+
margin: 0 0 18px 0;
|
| 91 |
+
}
|
| 92 |
+
.bar-track {
|
| 93 |
+
background: #D9DEE5;
|
| 94 |
+
border-radius: 4px;
|
| 95 |
+
height: 10px;
|
| 96 |
+
overflow: hidden;
|
| 97 |
+
margin-bottom: 6px;
|
| 98 |
+
}
|
| 99 |
+
.bar-fill { height: 100%; border-radius: 4px; }
|
| 100 |
+
.placeholder-text { color: #6B7280 !important; font-size: 0.95rem; }
|
| 101 |
+
"""
|
| 102 |
+
|
| 103 |
+
# ------------------------------------------------------------
|
| 104 |
+
# Contenido estático
|
| 105 |
+
# ------------------------------------------------------------
|
| 106 |
+
|
| 107 |
+
HEADER_HTML = """
|
| 108 |
+
<div class="app-header">
|
| 109 |
+
<p class="eyebrow">Maestría en Ciencia de Datos · Curso: Transformers</p>
|
| 110 |
+
<h1>Análisis de Sentimiento en Textos en Español</h1>
|
| 111 |
+
<p class="subtitle">
|
| 112 |
+
Clasificación con un modelo BERT multilingüe preentrenado
|
| 113 |
+
(nlptown/bert-base-multilingual-uncased-sentiment).
|
| 114 |
+
</p>
|
| 115 |
+
</div>
|
| 116 |
+
"""
|
| 117 |
+
|
| 118 |
+
EMPTY_RESULT_HTML = """
|
| 119 |
+
<div class="result-card">
|
| 120 |
+
<p class="caption">Resultado</p>
|
| 121 |
+
<p class="placeholder-text">
|
| 122 |
+
Ingrese un texto y presione "Analizar sentimiento" para ver la clasificación.
|
| 123 |
+
</p>
|
| 124 |
+
</div>
|
| 125 |
+
"""
|
| 126 |
+
|
| 127 |
+
EXAMPLES = [
|
| 128 |
+
["El servicio fue excelente, la atención fue rápida y el personal muy amable."],
|
| 129 |
+
["Es un producto aceptable, cumple su función pero nada más."],
|
| 130 |
+
["Una experiencia terrible, el pedido llegó tarde y en mal estado."],
|
| 131 |
+
["La película tiene buenos momentos, aunque el final me decepcionó bastante."],
|
| 132 |
+
]
|
| 133 |
+
|
| 134 |
+
METHODOLOGY_NOTE = """
|
| 135 |
+
**Modelo.** `nlptown/bert-base-multilingual-uncased-sentiment`, un modelo BERT
|
| 136 |
+
multilingüe ajustado (*fine-tuned*) para predecir una calificación de 1 a 5 estrellas
|
| 137 |
+
a partir de reseñas de productos.
|
| 138 |
+
|
| 139 |
+
**Reglas de conversión a tres clases.** 1 y 2 estrellas se clasifican como *Negativo*,
|
| 140 |
+
3 estrellas como *Neutral* y 4 y 5 estrellas como *Positivo*.
|
| 141 |
+
|
| 142 |
+
**Limitaciones.** El modelo fue entrenado con reseñas de productos, por lo que su
|
| 143 |
+
desempeño puede disminuir en otros dominios (política, textos formales, ironía).
|
| 144 |
+
La clase *Neutral* es una aproximación: corresponde a la calificación intermedia de
|
| 145 |
+
una escala de estrellas, no a una categoría de neutralidad entrenada de forma explícita.
|
| 146 |
+
La confianza mostrada es la probabilidad de la clase predicha, no una medida de
|
| 147 |
+
exactitud garantizada.
|
| 148 |
+
"""
|
| 149 |
+
|
| 150 |
+
# ------------------------------------------------------------
|
| 151 |
+
# Lógica de la interfaz
|
| 152 |
+
# ------------------------------------------------------------
|
| 153 |
+
|
| 154 |
+
def build_result_html(result: dict) -> str:
|
| 155 |
+
"""Construye la tarjeta HTML a partir del diccionario devuelto por analyze_sentiment."""
|
| 156 |
+
style = SENTIMENT_STYLES[result["sentiment"]]
|
| 157 |
+
|
| 158 |
+
# La etiqueta del modelo tiene la forma "4 stars"; se extrae el número
|
| 159 |
+
stars = int(result["label"].split()[0])
|
| 160 |
+
star_text = "★" * stars + "☆" * (5 - stars)
|
| 161 |
+
|
| 162 |
+
confidence = result["score"] * 100
|
| 163 |
+
|
| 164 |
+
return f"""
|
| 165 |
+
<div class="result-card" style="background: {style['background']};
|
| 166 |
+
border-left: 6px solid {style['color']};">
|
| 167 |
+
<p class="caption">Sentimiento predominante</p>
|
| 168 |
+
<p class="sentiment" style="color: {style['color']};">{result['sentiment']}</p>
|
| 169 |
+
<p class="stars" style="color: {style['color']};">{star_text}</p>
|
| 170 |
+
<p class="meta">Clase del modelo: {result['label']}</p>
|
| 171 |
+
<p class="caption">Confianza del modelo</p>
|
| 172 |
+
<div class="bar-track">
|
| 173 |
+
<div class="bar-fill" style="width: {confidence:.1f}%;
|
| 174 |
+
background: {style['color']};"></div>
|
| 175 |
+
</div>
|
| 176 |
+
<p class="meta">{confidence:.1f} %</p>
|
| 177 |
+
</div>
|
| 178 |
+
"""
|
| 179 |
+
|
| 180 |
+
|
| 181 |
+
def classify_text(text: str) -> str:
|
| 182 |
+
"""Recibe el texto de la caja, llama al analizador y devuelve HTML para mostrar."""
|
| 183 |
+
# Se valida que el usuario haya escrito algo antes de llamar al modelo
|
| 184 |
+
if not text or not text.strip():
|
| 185 |
+
return EMPTY_RESULT_HTML
|
| 186 |
+
|
| 187 |
+
# analyze_sentiment devuelve una lista; como se envía un solo texto, se toma el primer elemento
|
| 188 |
+
result = analyze_sentiment(text)[0]
|
| 189 |
+
return build_result_html(result)
|
| 190 |
+
|
| 191 |
+
|
| 192 |
+
def clear_all():
|
| 193 |
+
"""Restablece la caja de texto y el panel de resultado."""
|
| 194 |
+
return "", EMPTY_RESULT_HTML
|
| 195 |
+
|
| 196 |
+
|
| 197 |
+
# Se construye la función que crea la interfaz de usuario
|
| 198 |
+
def create_interface() -> gr.Blocks:
|
| 199 |
+
with gr.Blocks(title="Análisis de Sentimiento en Español") as demo:
|
| 200 |
+
|
| 201 |
+
gr.HTML(HEADER_HTML)
|
| 202 |
+
|
| 203 |
+
with gr.Row(equal_height=False):
|
| 204 |
+
# Columna izquierda: entrada
|
| 205 |
+
with gr.Column(scale=1):
|
| 206 |
+
text_input = gr.Textbox(
|
| 207 |
+
label="Texto en español",
|
| 208 |
+
placeholder="Escriba o pegue aquí el texto que desea analizar...",
|
| 209 |
+
lines=8,
|
| 210 |
+
max_lines=14,
|
| 211 |
+
)
|
| 212 |
+
with gr.Row():
|
| 213 |
+
clear_button = gr.Button("Limpiar", variant="secondary")
|
| 214 |
+
submit_button = gr.Button("Analizar sentimiento", variant="primary")
|
| 215 |
+
|
| 216 |
+
# Columna derecha: resultado
|
| 217 |
+
with gr.Column(scale=1):
|
| 218 |
+
result_output = gr.HTML(value=EMPTY_RESULT_HTML)
|
| 219 |
+
|
| 220 |
+
gr.Examples(
|
| 221 |
+
examples=EXAMPLES,
|
| 222 |
+
inputs=text_input,
|
| 223 |
+
label="Ejemplos de texto",
|
| 224 |
+
)
|
| 225 |
+
|
| 226 |
+
with gr.Accordion("Nota metodológica", open=False):
|
| 227 |
+
gr.Markdown(METHODOLOGY_NOTE)
|
| 228 |
+
|
| 229 |
+
# Conexión de eventos: qué función se ejecuta al interactuar con cada componente
|
| 230 |
+
submit_button.click(fn=classify_text, inputs=text_input, outputs=result_output)
|
| 231 |
+
clear_button.click(fn=clear_all, inputs=None, outputs=[text_input, result_output])
|
| 232 |
+
|
| 233 |
+
return demo
|