-
Notifications
You must be signed in to change notification settings - Fork 0
/
streamlit_app.py
71 lines (40 loc) · 1.79 KB
/
streamlit_app.py
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
# -*- coding: utf-8 -*-
"""
Created on Tue Jan 26 17:37:38 2021
@author: Lara_bis
"""
import streamlit as st
import tensorflow
from keras.preprocessing.sequence import pad_sequences
from keras.preprocessing.text import Tokenizer
from keras.models import load_model
import os
def main():
st.title("Application Streamlit: Réaliser une analyse de sentiment")
st.header("Choisissez votre modèle")
chemin=os.path.dirname(os.path.abspath(__file__))
def file_selector(chemin):
filenames = os.listdir(chemin)
filenames = [f for f in filenames if f.endswith('.' + "h5")]
selected_filename = st.selectbox('Choisissez votre modèle ', filenames)
return os.path.join(chemin, selected_filename)
chemin = file_selector(chemin)
model = load_model(chemin)
texte = st.text_area('Ecrivez le texte à analyser:')
if texte is not None:
st.write(texte)
tokenizer = Tokenizer(num_words=5000)
instance = tokenizer.texts_to_sequences(texte)
liste = []
for sublist in instance:
for item in sublist:
liste.append(item)
liste = [liste]
instance = pad_sequences(liste, padding='post', maxlen=100)
proba = model.predict(instance)[0][0]
if proba < 0:
st.write("Le modèle prédit que le commentaire est négatif à hauteur de:",round(abs(proba))*100,"%")
else:
st.write("Le modèle prédit que le commentaire est positif à hauteur de:",round(abs(proba))*100,"%")
if __name__ == "__main__":
main()