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