--- 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.