Update app.py

app.py

@@ -1,58 +0,0 @@
-import gradio as gr
-import tensorflow as tf
-import numpy as np
-import joblib
-from tensorflow.keras.preprocessing.sequence import pad_sequences
-from transformers import pipeline
-
-# Fonction de prédiction pour le lstm
-def analyser_sentiment_lstm(tweet):
-    sequence = tokenizer.texts_to_sequences([tweet])
-    padded = pad_sequences(sequence)
-    prediction = model.predict(padded)[0]
-
-    sentiment = "Positif" if prediction[0] >= 0.5 else "Négatif"
-    return {sentiment: float(prediction[0]) if sentiment == "Positif" else 1 - float(prediction[0])}
-
-def analyser_sentiment_camembert(tweet):
-    # charger le modèle
-    sentiment_pipeline = pipeline("sentiment-analysis", model="cmarkea/distilcamembert-base-sentiment")
-
-    # appliquer le modèle
-    result = sentiment_pipeline(tweet)[0]['label']
-    return result
-
-
-# Charger le modèle LSTM
-model = tf.keras.models.load_model("lstm_model.h5")
-
-# Charger le tokenizer utilisé pendant l'entraînement
-tokenizer = joblib.load('tokenizer.joblib')
-
-# définir les blocks
-demo = gr.Blocks(theme='shivi/calm_seafoam')
-
-# Interface Gradio
-interface1 = gr.Interface(
-    fn=analyser_sentiment_lstm,
-    inputs=gr.Textbox(lines=3, placeholder="Entrez un tweet en français ici..."),
-    outputs=gr.Label(num_top_classes=3),
-    title="Analyse de Sentiment avec lstm",
-    description="Entrez un tweet en français pour  obtenir son sentiment (positif, négatif)."
-)
-
-interface2 = gr.Interface(
-    fn = analyser_sentiment_camembert,
-    inputs=gr.Textbox(lines=3, placeholder="Entrez un tweet en français ici..."),
-    outputs=gr.Textbox(label='Output'),
-    title="Analyse de Sentiment avec camembert",
-    description="Entrez un tweet en français pour obtenir son sentiment."
-)
-
-
-# faire un tabbing des interfaces
-with demo:
-  gr.TabbedInterface([interface1, interface2], ['LSTM_SAM', 'CAMEMBERT_SAM'])
-
-# lancer l'interface
-demo.launch()