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(""" """, 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.")