Spaces:
Sleeping
Download README.md from pyrowoon/Wine_guide: direct link, hf CLI and curl.
- Browser
- Download file 6.74 kB
-
https://huggingface.co/spaces/pyrowoon/Wine_guide/resolve/main/README.md
- Command line
-
hf download hf://spaces/pyrowoon/Wine_guide/README.md
-
curl -L -o README.md https://huggingface.co/spaces/pyrowoon/Wine_guide/resolve/main/README.md
A newer version of the Gradio SDK is available: 6.32.0
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
- Склонируйте репозиторий (или Space) и перейдите в папку проекта:
git clone https://huggingface.co/spaces/YOUR_USERNAME/YOUR_SPACE_NAME
cd YOUR_SPACE_NAME
- Установите зависимости:
pip install -r requirements.txt
- Запустите приложение:
python app.py
После этого откройте ссылку, которую покажет консоль (обычно http://127.0.0.1:7860).
Зависимости (главные)
torchtransformersgradio
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.