Update app.py

app.py

@@ -0,0 +1,81 @@
+from transformers import RobertaTokenizerFast, EncoderDecoderModel
+import torch
+#initialisation de tokenizer
+device = "cuda" if torch.cuda.is_available() else "cpu"
+tokenizer = RobertaTokenizerFast.from_pretrained("Chemsseddine/bert2gpt2SUMM-finetuned-mlsum")
+#Chemsseddine/bert2gpt2SUMM-finetuned-mlsum
+#aider les token special
+tokenizer.bos_token = tokenizer.cls_token
+tokenizer.eos_token = tokenizer.sep_token
+#initialisation du modele
+model = EncoderDecoderModel.from_pretrained("Chemsseddine/bert2gpt2SUMM-finetuned-mlsum").to(device)
+#tf.random.set_seed(0)
+# generate summary
+def generateSumm(input_texte,max,min):
+  # encoder le texte entrée 
+  if input_texte and input_texte.strip():
+    if min<len(input_texte):
+
+      if max>min:
+        
+        input_ids = tokenizer.encode(input_texte, return_tensors='pt')
+    #generation de resume a l'aide de texte encodé
+        summary_ids = model.generate(input_ids,#le texte encodé
+            max_length=max,#la longuer maximale du sequence de sortie
+            min_length=min,#la longuer minimum du sequence de sortie
+            
+            num_beams=5,
+            repetition_penalty=2.5, 
+            length_penalty=1.0, 
+            early_stopping=True,#pour que la génération soit terminée lorsque toutes les hypothèses de faisceau ont atteint le jeton EOS.
+            no_repeat_ngram_size=2,#aucun 2 grammes n'apparaisse deux fois#Pour éviter les répétitions du même texte,
+            use_cache=True,
+            do_sample = True,
+           # num_return_sequences=5, 
+            temperature = 0.8,
+            top_k = 50,
+            top_p = 0.95)
+  #decodé la sequence de generé par le modele
+        summary_text = tokenizer.decode(summary_ids[0], skip_special_tokens=True)
+        return summary_text
+      else:
+
+        summary_text="La longueur minimale est grande que la maximale"
+        return summary_text
+    else:
+      summary_text="La longueur de texte entré est inferieur que la minimale que vous avez choisis"
+      return summary_text
+      
+  else :
+    summary_text="Entrer votre Texte S'il vous plait"
+    return summary_text
+
+
+from difflib import Differ
+import gradio as gr
+demo = gr.Blocks()
+
+def diff_texts(text1, text2):
+    d = Differ()
+    return [
+        (token[2:], token[0] if token[0] != " " else None)
+        for token in d.compare(text1.split(), text2.split())]
+
+
+inp=gr.inputs.Textbox(label="Text Originale",placeholder="Entrer Texte ici...")
+out=gr.outputs.Textbox(label="Résumé")
+mx_length=gr.Slider(40, 512)
+mn_length=gr.Slider(10,120)
+
+with demo:
+    gr.Markdown("***<center>Résumé Votre Text à l'aide de IA.</center>***\n\n Vous pouvez résumé votre texte par entrer le texte originale, et vous pouvez comparer le resultat avec votre texte originale en cliquant sur Comparer resultat ")
+    
+    with gr.Tabs():
+        
+        with gr.TabItem("Résumé"):
+            gr.Interface(fn=generateSumm, inputs=[inp,mx_length,mn_length], outputs=out ,cache_examples=True,allow_flagging=False
+                         )
+        with gr.TabItem("Comparer resultat"):
+            gr.Interface(diff_texts,[inp,out],gr.HighlightedText(label="Difference"),allow_flagging=False)
+            
+demo.launch(share=True,debug=True)