Spaces:
Sleeping
Sleeping
File size: 1,990 Bytes
ba5cd5a | 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 52 53 54 55 56 57 58 59 60 | import streamlit as st
import numpy as np
from transformers import Trainer, AutoTokenizer, XLMRobertaForSequenceClassification
import torch
import pickle
import re
def checker(content):
sentences = re.split(r"(?<=[!.;?:])\s+(?![a-zà-öø-ÿα-ωа-яא-תء-ي])", content.decode('utf-8'))
model_name = "abischoff/test-trainer"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = XLMRobertaForSequenceClassification.from_pretrained(model_name,num_labels=1)
sum = 0.0
bias = -0.0666
for dic in sentences:
inputs = tokenizer(dic.strip(), return_tensors="pt")
with torch.no_grad():
logits = model(**inputs).logits.flatten()[0].numpy()+bias
logits = np.clip(logits,0,1)
print(logits)
sum += logits
return sum / len(content)
def main():
# Setze den Titel und eine moderne Überschrift
st.title("Checker")
st.markdown("""
<style>
.reportview-container {
background-color: #f4f4f9;
}
h1 {
color: #4F8BF9;
}
footer {
visibility: hidden;
}
</style>
""", unsafe_allow_html=True)
# Erstelle das Drag&Drop Upload-Feld für alle Dateiformate
uploaded_file = st.file_uploader("Drag & Drop your file here", type=None)
# Prüfen, ob eine Datei hochgeladen wurde
if uploaded_file is not None:
# Anzeige des Dateinamens
st.write(f"File uploaded: {uploaded_file.name}")
# Wenn die Datei eine Text- oder CSV-Datei ist, zeige den Inhalt an
if uploaded_file.name.endswith('.txt') or uploaded_file.name.endswith('.csv'):
content = uploaded_file.read().decode("utf-8")
st.text_area("File Content", content, height=300)
# Wenn andere Dateiformate hochgeladen werden, zeige eine Nachricht an
else:
st.write(f"Unsupported file type: {uploaded_file.name.split('.')[-1]}")
else:
st.write("Please upload a file.")
|