Wine_guide / README.md
Мурад Гаджимагомедов
upgdate readme and gitignore
dbad36d
|
Raw History Blame Contribute Delete
6.74 kB

A newer version of the Gradio SDK is available: 6.32.0

Upgrade
metadata
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, huggingface_hub, and the Hugging Face Inference API.

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
  • 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:
git clone https://huggingface.co/spaces/YOUR_USERNAME/YOUR_SPACE_NAME
cd YOUR_SPACE_NAME
  1. Установите зависимости:
pip install -r requirements.txt
  1. Запустите приложение:
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.