Spaces:
Sleeping
Sleeping
File size: 6,741 Bytes
d4bf325 079672a d4bf325 079672a d4bf325 dbad36d | 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 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 | ---
title: Wine Guide
emoji: 💬
colorFrom: yellow
colorTo: purple
sdk: gradio
sdk_version: 6.5.1
app_file: app.py
pinned: false
hf_oauth: true
hf_oauth_scopes:
- inference-api
short_description: Сервис который помогает найти вино по словесному описанию.
---
An example chatbot using [Gradio](https://gradio.app), [`huggingface_hub`](https://huggingface.co/docs/huggingface_hub/v0.22.2/en/index), and the [Hugging Face Inference API](https://huggingface.co/docs/api-inference/index).
# Классификатор типа вина по описанию
Небольшой проект по deep learning: модель читает текстовое описание вина (как в карточке товара или заметке дегустатора) и определяет тип вина:
- красное
- белое
- розовое
Проект можно запускать локально как простое веб-приложение (интерфейс на Gradio).
**Демо:** ссылка на HuggingFace Spaces — вставьте сюда свою: `...`
---
## Что умеет
Вы вводите описание обычным текстом, а модель возвращает:
- предсказанный тип вина
- «уверенность» по каждому классу в процентах
Пример:
```
Ввод: "Насыщенный аромат темной вишни и черной смородины, заметен дуб.
Танины плотные, послевкусие долгое и пряное."
Вывод: Красное
Красное: 94.3%
Белое: 3.1%
Розовое: 2.6%
```
---
## Как это работает (простыми словами)
Модель объединяет два источника информации:
- **Текст**: берётся предобученная языковая модель BERT, которая «понимает» смысл фраз и превращает текст в набор чисел (вектор признаков).
- **Слова‑подсказки из предметной области**: дополнительно считаются простые признаки по ключевым словам, которые часто встречаются в описаниях (например, «дуб», «цитрус», «шампанское» и т. п.).
Дальше эти признаки склеиваются и подаются в небольшой классификатор (несколько полносвязных слоёв), который выдаёт 3 вероятности: красное / белое / розовое.
Если коротко: **BERT даёт смысл текста**, а **доменные признаки помогают на конкретных винных терминах**.
---
## Данные
- **Источник**: датасет с Kaggle — [Wine Dataset](https://www.kaggle.com/datasets/elvinrustam/wine-dataset)
- **Размер**: 1274 описания после очистки
- **Классы**: красное (566), белое (584), розовое (124)
- **Балансировка**: редкий класс «розовое» увеличивался простым оверсемплингом через `sklearn.utils.resample`
---
## Обучение (кратко)
Параметры обучения:
| Параметр | Значение |
|---|---|
| База | `bert-base-uncased` |
| Оптимизатор | AdamW |
| Скорость обучения | 2e-5 |
| Batch size | 16 |
| Эпохи | 3 |
| Максимальная длина текста | 128 |
| Разделение train/test | 80/20 (стратифицированно) |
Результаты после 3 эпох:
| Эпоха | Loss | Accuracy | Macro F1 |
|---:|---:|---:|---:|
| 1 | 0.8716 | 54.51% | 0.5303 |
| 2 | 0.4873 | 72.55% | 0.7405 |
| 3 | 0.3512 | 91.37% | 0.9256 |
---
## Структура проекта
```
wine-classifier/
├── app.py # веб-интерфейс (Gradio)
├── requirements.txt # зависимости Python
├── WineDataset.csv # исходный датасет
├── wine_model/
│ ├── model.pt # веса обученной модели
│ └── tokenizer/ # файлы токенизатора BERT
│ ├── config.json
│ ├── tokenizer_config.json
│ └── vocab.txt
└── README.md
```
---
## Как запустить локально
1) Склонируйте репозиторий (или Space) и перейдите в папку проекта:
```bash
git clone https://huggingface.co/spaces/YOUR_USERNAME/YOUR_SPACE_NAME
cd YOUR_SPACE_NAME
```
2) Установите зависимости:
```bash
pip install -r requirements.txt
```
3) Запустите приложение:
```bash
python app.py
```
После этого откройте ссылку, которую покажет консоль (обычно `http://127.0.0.1:7860`).
---
## Зависимости (главные)
- `torch`
- `transformers`
- `gradio`
Остальные перечислены в `requirements.txt`.
---
## Примеры для проверки
Красное:
> "Плотное и мощное, тона ежевики и сливы, ваниль после выдержки в дубе. Бархатистые танины и долгое шоколадное послевкусие."
Белое:
> "Лёгкое и свежее, цитрус и крыжовник, много кислотности. Сухое, минеральное, с чистым коротким послевкусием."
Розовое:
> "Нежный аромат малины и арбуза, сухое и освежающее. Лёгкая фруктовость и аккуратные цветочные ноты."
---
## Технологии
- **PyTorch** — обучение и инференс модели
- **HuggingFace Transformers** — BERT и токенизатор
- **Gradio** — веб-интерфейс для ввода текста
- **scikit-learn** — предобработка и балансировка классов
- **Pandas** — работа с данными
---
## Зачем проект
Это учебный pet‑проект: практиковался PyTorch, дообучение BERT и развёртывание модели в виде простого приложения.
|