Add application file

Dockerfile

@@ -0,0 +1,11 @@
+# Utilisez l'image de base Hugging Face Spaces
+FROM huggingface/transformers-env:4.11.3
+
+# Copiez les fichiers de l'application
+COPY ./app /app
+
+# Installation des dépendances Python
+RUN pip install -r /app/requirements.txt
+
+# Commande pour exécuter l'application Flask
+CMD ["python", "/app/model.py"]

app/model.py

@@ -0,0 +1,80 @@
+from flask import Flask, request, jsonify
+from keras.models import load_model
+import pickle
+import numpy as np
+from keras.preprocessing.sequence import pad_sequences
+
+app = Flask(__name__)
+
+max_sequence_length = 180
+
+# Charger le modèle entraîné
+try:
+    model = load_model('word_prediction_model.h5')
+except Exception as e:
+    print(f"Erreur lors du chargement du modèle : {str(e)}")
+    model = None
+
+# Charger le tokenizer
+try:
+    with open('tokenizer.pickle', 'rb') as handle:
+        tokenizer = pickle.load(handle)
+except Exception as e:
+    print(f"Erreur lors du chargement du tokenizer : {str(e)}")
+    tokenizer = None
+
+# Fonction de prédiction des mots suivants avec probabilités
+def predict_next_words_with_proba(input_phrase, top_n=5):
+    if tokenizer is None or model is None:
+        return [], []
+
+    # Tokeniser la phrase d'entrée
+    input_sequence = tokenizer.texts_to_sequences([input_phrase])[0]
+    
+    # Remplir la séquence à la longueur maximale de séquence
+    padded_sequence = pad_sequences([input_sequence], maxlen=max_sequence_length-1, padding='pre')
+    
+    # Prédire les probabilités des mots suivants
+    predicted_probs = model.predict(padded_sequence)[0]
+    
+    # Obtenir les indices des mots avec les probabilités les plus élevées
+    top_indices = predicted_probs.argsort()[-top_n:][::-1]
+    
+    # Obtenir les mots correspondants aux indices
+    top_words = [tokenizer.index_word[index] for index in top_indices]
+    
+    # Obtenir les probabilités correspondantes
+    top_probabilities = predicted_probs[top_indices]
+    
+    return top_words, top_probabilities
+@app.route('/test', methods=['GET'])
+def test():
+        data = request.get_json()
+        input_phrase = data['input_phrase']
+
+        
+        response = {
+            "top_words": "test",
+            "top_probabilities": input_phrase
+        }
+        
+        return jsonify(response)
+@app.route('/predict', methods=['POST'])
+def predict():
+    try:
+        data = request.get_json()
+        input_phrase = data['input_phrase']
+        top_n = data.get('top_n', 5)  # Par défaut, retourne les 5 meilleurs mots
+        
+        top_words, top_probabilities = predict_next_words_with_proba(input_phrase, top_n)
+        
+        response = {
+            "top_words": top_words,
+            "top_probabilities": top_probabilities.tolist()
+        }
+        
+        return jsonify(response)
+    except Exception as e:
+        return jsonify(error=str(e)), 500
+if __name__ == '__main__':
+    app.run(debug=True)

app/tokenizer.pickle

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:be21f35560989378b270f92402fd78d1087eca6676d2ca25382fc5227cba988f
+size 1480776

app/word_prediction_model.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8f827a27bbafb55f14c623fb32bc70038696a3f1ae9d7b12024b7102e3050bf2
+size 80934136

requirements.txt

@@ -0,0 +1,3 @@
+Flask
+tensorflow
+pickle