Update app.py

app.py

@@ -7,15 +7,66 @@ import numpy as np
 import os
 import sys # 오류 시 서비스 종료를 위해 sys 모듈 임포트
 
-# transformers의 AutoTokenizer만 사용합니다.
-from transformers import AutoTokenizer # BertModel, BertForSequenceClassification 등은 이제 직접 필요 없습니다.
+# transformers의 AutoTokenizer 및 BertModel 임포트
+from transformers import AutoTokenizer, BertModel # BertModel 임포트 추가
 from torch.utils.data import Dataset, DataLoader
 import logging # 로깅 모듈 임포트 유지
 from huggingface_hub import hf_hub_download # hf_hub_download 임포트 유지
-# collections 모듈은 더 이상 필요 없을 수 있지만, 혹시 몰라 유지합니다.
-import collections 
+import collections # collections 모듈 임포트 유지
+
+# --- 1. BERTClassifier 모델 클래스 정의 ---
+# 이 클래스는 모델의 아키텍처를 정의합니다.
+class BERTClassifier(torch.nn.Module):
+    def __init__(self,
+                 bert,
+                 hidden_size = 768,
+                 num_classes=5, # 분류할 클래스 수 (category 딕셔너리 크기와 일치)
+                 dr_rate=None,
+                 params=None):
+        super(BERTClassifier, self).__init__()
+        self.bert = bert
+        self.dr_rate = dr_rate
+
+        self.classifier = torch.nn.Linear(hidden_size , num_classes)
+        if dr_rate:
+            self.dropout = torch.nn.Dropout(p=dr_rate)
+
+    def gen_attention_mask(self, token_ids, valid_length):
+        attention_mask = torch.zeros_like(token_ids)
+        for i, v in enumerate(valid_length):
+            attention_mask[i][:v] = 1
+        return attention_mask.float()
+
+    def forward(self, token_ids, valid_length, segment_ids):
+        attention_mask = self.gen_attention_mask(token_ids, valid_length)
+
+        _, pooler = self.bert(input_ids=token_ids, token_type_ids=segment_ids.long(), attention_mask=attention_mask.float().to(token_ids.device), return_dict=False)
+
+        if self.dr_rate:
+            out = self.dropout(pooler)
+        else:
+            out = pooler
+        return self.classifier(out)
+
+# --- 2. BERTDataset 클래스 정의 ---
+# 이 클래스는 데이터를 모델 입력 형식으로 변환합니다.
+class BERTDataset(Dataset):
+    def __init__(self, dataset, sent_idx, label_idx, bert_tokenizer, vocab, max_len, pad, pair):
+        # nlp.data.BERTSentenceTransform은 토크나이저 함수를 받습니다.
+        # AutoTokenizer의 tokenize 메서드를 직접 전달합니다.
+        transform = nlp.data.BERTSentenceTransform(
+            bert_tokenizer, max_seq_length=max_len, vocab=vocab, pad=pad, pair=pair
+        )
+        self.sentences = [transform([i[sent_idx]]) for i in dataset]
+        self.labels = [np.int32(i[label_idx]) for i in dataset]
 
-# --- 1. FastAPI 앱 및 전역 변수 설정 ---
+    def __getitem__(self, i):
+        return (self.sentences[i] + (self.labels[i],))
+
+    def __len__(self):
+        return len(self.labels)
+
+# --- 3. FastAPI 앱 및 전역 변수 설정 ---
 app = FastAPI()
 device = torch.device("cpu") # Hugging Face Spaces의 무료 티어는 주로 CPU를 사용합니다.
 
@@ -42,7 +93,6 @@ tokenizer = AutoTokenizer.from_pretrained('skt/kobert-base-v1')
 print("토크나이저 로드 성공.")
 
 # ✅ 모델 로드 (Hugging Face Hub에서 다운로드)
-# textClassifierModel.pt 파일은 이미 경량화된 '완전한 모델 객체'라고 가정하고 직접 로드합니다.
 try:
     HF_MODEL_REPO_ID = "hiddenFront/TextClassifier" # 사용자님의 실제 Hugging Face 저장소 ID
     HF_MODEL_FILENAME = "textClassifierModel.pt" # Hugging Face Hub에 업로드한 파일 이름과 일치해야 합니다.
@@ -51,11 +101,35 @@ try:
     print(f"모델 파일이 '{model_path}'에 성공적으로 다운로드되었습니다.")
 
     # --- 수정된 핵심 부분 ---
-    # 경량화된 모델 객체를 직접 로드합니다.
-    # 이 파일은 이미 PyTorch 모델 객체(양자화된 모델 포함)이므로 바로 로드하여 사용합니다.
-    model = torch.load(model_path, map_location=device)
+    # 1. BertModel.from_pretrained를 사용하여 기본 BERT 모델을 로드합니다.
+    #    이렇게 하면 모델의 아키텍처와 사전 학습된 가중치가 로드됩니다.
+    bert_base_model = BertModel.from_pretrained('skt/kobert-base-v1')
+
+    # 2. BERTClassifier 인스턴스를 생성합니다.
+    #    여기서 num_classes는 category 딕셔너리의 크기와 일치해야 합니다.
+    model = BERTClassifier(
+        bert_base_model,
+        dr_rate=0.5, # 학습 시 사용된 dr_rate 값으로 변경하세요.
+        num_classes=len(category)
+    )
+
+    # 3. 다운로드된 파일에서 state_dict를 로드합니다.
+    #    이 파일은 사용자님의 경량화된 모델의 가중치만 포함하고 있습니다.
+    loaded_state_dict = torch.load(model_path, map_location=device)
+    
+    # 4. 로드된 state_dict의 키를 조정하고 모델에 적용합니다.
+    #    'module.' 접두사가 ���어있는 경우 제거하는 로직을 포함합니다.
+    new_state_dict = collections.OrderedDict()
+    for k, v in loaded_state_dict.items():
+        name = k
+        if name.startswith('module.'):
+            name = name[7:]
+        new_state_dict[name] = v
+    
+    model.load_state_dict(new_state_dict)
     # --- 수정된 핵심 부분 끝 ---
 
+    model.to(device) # 모델을 디바이스로 이동
     model.eval() # 추론 모드로 설정
     print("모델 로드 성공.")
 
@@ -64,25 +138,6 @@ except Exception as e:
     sys.exit(1) # 모델 로드 실패 시 서비스 시작하지 않음
 
 
-# --- 2. BERTDataset 클래스 정의 (dataset.py에서 옮겨옴) ---
-# 이 클래스는 데이터를 모델 입력 형식으로 변환합니다.
-class BERTDataset(Dataset):
-    def __init__(self, dataset, sent_idx, label_idx, bert_tokenizer, vocab, max_len, pad, pair):
-        # nlp.data.BERTSentenceTransform은 토크나이저 함수를 받습니다.
-        # AutoTokenizer의 tokenize 메서드를 직접 전달합니다.
-        transform = nlp.data.BERTSentenceTransform(
-            bert_tokenizer, max_seq_length=max_len, vocab=vocab, pad=pad, pair=pair
-        )
-        self.sentences = [transform([i[sent_idx]]) for i in dataset]
-        self.labels = [np.int32(i[label_idx]) for i in dataset]
-
-    def __getitem__(self, i):
-        return (self.sentences[i] + (self.labels[i],))
-
-    def __len__(self):
-        return len(self.labels)
-
-
 # ✅ 데이터셋 생성에 필요한 파라미터
 max_len = 64
 batch_size = 32
@@ -125,4 +180,3 @@ def root():
 async def predict_route(item: InputText):
     result = predict(item.text)
     return {"text": item.text, "classification": result}
-