File size: 4,063 Bytes
5f16de5 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 |
import streamlit as st
import requests
API_URL_BART = "https://api-inference.huggingface.co/models/chinhon/bart-large-cnn-summarizer_03"
API_URL_TRANSLATION = "https://api-inference.huggingface.co/models/FacebookAI/xlm-mlm-enfr-1024"
API_URL_DIALOGPT = "https://api-inference.huggingface.co/models/Mohammed-Altaf/Medical-ChatBot"
HEADERS = {"Authorization": f"Bearer {huggingface_token}"}
def query(api_url, payload):
response = requests.post(api_url, headers=HEADERS, json=payload)
return response.json()
def main():
st.title("Application NLP")
# Sidebar pour la navigation entre les modèles
st.sidebar.image("Keyce.jpg")
st.write("FOSSO TCHATAT SIDOINE")
model_selection = st.sidebar.selectbox("Sélectionnez le modèle", ["BART Summarization", "Translation (fr->en)", "Conversation (BlenderBot-400M)"])
if model_selection == "BART Summarization":
st.subheader("BART Summarization")
st.image("resume.jpg")
# Interface utilisateur pour l'entrée de l'utilisateur
user_input_bart = st.text_area("Entrez le texte :")
if st.button("Resumer avec BART"):
# Faites appel au modèle de résumé BART
payload_bart = {"inputs": user_input_bart}
result_bart = query(API_URL_BART, payload_bart)
# Affichez le résumé
st.subheader("Résumé:")
st.write(result_bart[0]["generated_text"])
elif model_selection == "Translation (fr->en)":
st.subheader("Translation (fr->en)")
st.image("TRANSLATE.jpg")
# Interface utilisateur pour l'entrée de l'utilisateur
user_input_translation = st.text_area("Entrez le texte que vous souhaitez traduire:")
if st.button("🌐 Translate"):
# Faites appel au modèle de traduction fr->en
payload_translation = {"inputs": user_input_translation}
result_translation = query(API_URL_TRANSLATION, payload_translation)
#print(result_translation)
# Vérifiez si la clé "translation_text" existe dans la réponse
st.subheader("Traduction:")
st.write(result_translation[0]["translation_text"])
elif model_selection == "Conversation (BlenderBot-400M)":
st.subheader("Conversation with BlenderBot-400M")
# Interface utilisateur pour l'entrée de l'utilisateur
user_input_blenderbot = st.text_area("Entrez votre message à BlenderBot-400M:")
if st.button("Obtenir la réponse de BlenderBot-400M"):
# Faites appel au modèle BlenderBot-400M
payload_blenderbot = {
"inputs": {
"past_user_inputs": ["Which movie is the best ?"],
"generated_responses": ["It is Die Hard for sure."],
"text": user_input_blenderbot
}
}
result_blenderbot = query(API_URL_DIALOGPT, payload_blenderbot)
# Affichez la conversation de manière plus visuelle
st.subheader("Conversation avec BlenderBot-400M:")
# Vérifiez si la clé 'choices' existe dans la réponse
if "choices" in result_blenderbot and result_blenderbot["choices"]:
# Afficher les messages précédents
for i, past_message in enumerate(result_blenderbot["choices"][-1]["message"]["past_user_inputs"]):
st.write(f"BlenderBot-400M:")
st.write(f"> {past_message}")
# Afficher le dernier message de l'utilisateur
st.write("Vous:")
st.write(f"> {user_input_blenderbot}")
# Afficher la réponse de BlenderBot-400M
st.write(f"BlenderBot-400M:")
st.write(f"> {result_blenderbot['choices'][-1]['message']['content']}")
else:
st.warning("La clé 'choices' n'existe pas dans la réponse de l'API ou la liste est vide.")
if __name__ == "__main__":
main()
|