Spaces:
Sleeping
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
6.74 kB
| 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. | |