Upload 2 files

app.py

@@ -0,0 +1,68 @@
+# app.py
+import gradio as gr
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+import torch
+import torch.nn.functional as F
+
+# 1. Tải mô hình và tokenizer từ Hugging Face Hub
+model_name = "MonkeyDAnh/Model-AI-Percentage-used-v2" # Thay thế bằng tên repo model của bạn
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForSequenceClassification.from_pretrained(model_name)
+
+# Kiểm tra nếu có GPU thì sử dụng GPU
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+model.to(device)
+model.eval() # Chuyển mô hình sang chế độ đánh giá
+
+# 2. Định nghĩa hàm dự đoán
+def predict_ai_human(text):
+    """
+    Hàm dự đoán tỷ lệ AI/Human dựa trên văn bản đầu vào.
+    """
+    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)
+    inputs = {k: v.to(device) for k, v in inputs.items()} # Chuyển inputs sang device
+
+    with torch.no_grad():
+        outputs = model(**inputs)
+
+    # Lấy logits và chuyển đổi sang xác suất
+    # Giả sử mô hình của bạn có 2 lớp: 0 (Human), 1 (AI)
+    # Hoặc ngược lại, tùy thuộc vào cách bạn huấn luyện
+    # Cần kiểm tra thứ tự nhãn của mô hình của bạn!
+    # Ví dụ: model.config.id2label nếu có
+    # Đối với model binary classification, thường có 2 output logits
+    # Output thường là logits cho mỗi lớp.
+    # Nếu mô hình của bạn dự đoán "AI percentage", thì output có thể là 1 giá trị duy nhất
+    # hoặc 2 giá trị logits (cho Human và AI).
+    
+    # Nếu output là logits cho 2 lớp (ví dụ: [logit_human, logit_ai])
+    logits = outputs.logits
+    probabilities = F.softmax(logits, dim=1) # Áp dụng softmax để có xác suất
+    
+    # Lấy xác suất của lớp "AI" (giả sử lớp 1 là AI)
+    # Bạn cần xác nhận lại id của lớp AI từ quá trình huấn luyện của bạn
+    # Ví dụ: nếu model.config.id2label = {0: 'human', 1: 'ai'}
+    ai_probability = probabilities[:, 1].item() * 100 # Xác suất của lớp AI
+    human_probability = probabilities[:, 0].item() * 100 # Xác suất của lớp Human
+
+    return f"AI Percentage: {ai_probability:.2f}% (Human Percentage: {human_probability:.2f}%)"
+
+
+# 3. Tạo giao diện Gradio
+# gr.Interface(fn, inputs, outputs, title, description)
+# fn: Hàm dự đoán
+# inputs: Các thành phần đầu vào (ví dụ: gr.Textbox)
+# outputs: Các thành phần đầu ra (ví dụ: gr.Textbox)
+# title, description: Tiêu đề và mô tả cho giao diện
+
+iface = gr.Interface(
+    fn=predict_ai_human,
+    inputs=gr.Textbox(lines=10, label="Nhập văn bản vào đây để kiểm tra"),
+    outputs=gr.Textbox(label="Kết quả dự đoán"),
+    title="Phân loại văn bản AI/Human",
+    description="Một demo nhỏ để kiểm tra tỷ lệ văn bản được tạo bởi AI so với văn bản của con người."
+)
+
+# 4. Khởi chạy giao diện
+if __name__ == "__main__":
+    iface.launch()

requirements.txt

@@ -0,0 +1,4 @@
+gradio
+transformers
+torch
+pandas