Update app.py

app.py

@@ -13,21 +13,33 @@ import gradio as gr
 #model = AutoModel.from_pretrained("medicalai/ClinicalBERT")
 
 
-from transformers import AutoTokenizer, AutoModelForSequenceClassification
+#from transformers import AutoTokenizer, AutoModelForSequenceClassification
+#tokenizer = AutoTokenizer.from_pretrained("emilyalsentzer/Bio_ClinicalBERT")
+#model = AutoModelForSequenceClassification.from_pretrained("emilyalsentzer/Bio_ClinicalBERT", num_labels=2)
 
-# Carica il modello e il tokenizzatore
-tokenizer = AutoTokenizer.from_pretrained("emilyalsentzer/Bio_ClinicalBERT")
-model = AutoModelForSequenceClassification.from_pretrained("emilyalsentzer/Bio_ClinicalBERT", num_labels=2)
+
+import gradio as gr
+from transformers import pipeline
+
+# Carica il modello
+model = pipeline("text-generation", model="emilyalsentzer/Bio_ClinicalBERT")
+
+# Definisci la funzione per generare il testo
+def generate_text(prompt):
+    return model(prompt, max_length=50)[0]['generated_text']
+
+# Crea l'interfaccia
+interface = gr.Interface(fn=generate_text, inputs="text", outputs="text")
 
 # Esempio di utilizzo del modello
 inputs = tokenizer("Esempio di testo da classificare", return_tensors="pt")
 outputs = model(**inputs)
 
 # Define a function to generate text using the model
-def generate_text(input_text):
-    input_ids = tokenizer.encode(input_text, return_tensors='pt')
-    output = model.generate(input_ids)
-    return tokenizer.decode(output[0], skip_special_tokens=True)
+#def generate_text(input_text):
+#    input_ids = tokenizer.encode(input_text, return_tensors='pt')
+#    output = model.generate(input_ids)
+#    return tokenizer.decode(output[0], skip_special_tokens=True)
 
 interface = gr.Interface(fn=generate_text, inputs="text", outputs="text")