Upload folder using huggingface_hub

app.py

@@ -4,9 +4,9 @@ from typing import Dict, Tuple
 import gradio as gr
 import torch
 from fastapi import FastAPI
-from transformers import AutoModelForSequenceClassification, AutoTokenizer
 from fastapi.middleware.cors import CORSMiddleware
 from gradio.routes import mount_gradio_app
+from transformers import AutoModelForSequenceClassification, AutoTokenizer
 
 # --- Model setup ---
 # Fine-tuned model (ton modèle entraîné)
@@ -25,11 +25,16 @@ mdl.eval()
 
 # Chargement du modèle "non entraîné" : corps pré-entraîné + tête aléatoire
 # On utilise from_pretrained(BASE_MODEL, num_labels=2) — la tête sera initialisée aléatoirement
-mdl_head_random = AutoModelForSequenceClassification.from_pretrained(BASE_MODEL, num_labels=2)
+mdl_head_random = AutoModelForSequenceClassification.from_pretrained(
+    BASE_MODEL, num_labels=2
+)
 mdl_head_random.eval()
 
+
 # --- Prediction utilities ---
-def predict_proba_from_model(model: AutoModelForSequenceClassification, text: str) -> Dict[str, float]:
+def predict_proba_from_model(
+    model: AutoModelForSequenceClassification, text: str
+) -> Dict[str, float]:
     """Return probability distribution over labels for a given text and model."""
     inputs = tok(text, return_tensors="pt", truncation=True)
     # Si tu veux forcer CPU (par ex. sur un HF Space sans GPU), pas de .to(device) ici
@@ -41,6 +46,7 @@ def predict_proba_from_model(model: AutoModelForSequenceClassification, text: st
         probs = [probs]
     return {LABELS[i]: float(probs[i]) for i in range(len(LABELS))}
 
+
 def top_label_phrase(probs: Dict[str, float]) -> str:
     """
     Transforme les probabilités en phrase demandée.
@@ -54,12 +60,14 @@ def top_label_phrase(probs: Dict[str, float]) -> str:
     else:
         return f"Avis négatif à {neg_prob * 100:.2f}% de probabilité"
 
+
 # Fonctions exposées
 def predict_label_only(text: str) -> str:
     """Fonction legacy qui renvoie juste le label du modèle fine-tuné (compatibilité)."""
     probs = predict_proba_from_model(mdl, text)
     return max(probs.keys(), key=lambda k: probs[k])
 
+
 def predict_both_phrases(text: str) -> Tuple[str, str]:
     """
     Renvoie deux phrases formatées :
@@ -74,13 +82,18 @@ def predict_both_phrases(text: str) -> Tuple[str, str]:
 
     return phrase_ft, phrase_head_random
 
+
 # --- Gradio interface ---
 demo = gr.Interface(
     fn=predict_both_phrases,
     inputs=gr.Textbox(label="Texte (FR)", lines=4, value="Ce film est bon"),
     outputs=[
-        gr.Textbox(label=f"Modèle {BASE_MODEL} fine-tuné ({MODEL_ID})", interactive=False),
-        gr.Textbox(label=f"Modèle {BASE_MODEL} non-entrainé (tête random)", interactive=False),
+        gr.Textbox(
+            label=f"Modèle {BASE_MODEL} fine-tuné ({MODEL_ID})", interactive=False
+        ),
+        gr.Textbox(
+            label=f"Modèle {BASE_MODEL} non-entrainé (tête random)", interactive=False
+        ),
     ],
     examples=[
         ["Ce film est une merveille, j'ai adoré !"],
@@ -101,10 +114,12 @@ app.add_middleware(
     allow_headers=["*"],
 )
 
+
 @app.get("/healthz")
 def healthz():
     return {"status": "ok", "model": MODEL_ID, "base_model_for_compare": BASE_MODEL}
 
+
 @app.post("/predict")
 def predict_api(item: dict):
     """
@@ -121,10 +136,12 @@ def predict_api(item: dict):
     probs_head_random = predict_proba_from_model(mdl_head_random, text)
     return {"fine_tuned": probs_ft, "head_random": probs_head_random}
 
+
 # --- Mount Gradio at root (for HF Space) ---
 mount_gradio_app(app, demo, path="/")
 
 # --- Optional: run locally ---
 if __name__ == "__main__":
     import uvicorn
+
     uvicorn.run("app:app", host="0.0.0.0", port=7860, reload=True)