from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
import gradio as gr
import numpy as np

MODEL_NAME = "cardiffnlp/twitter-xlm-roberta-base-sentiment"

tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)

labels = ['ნეგატიური', 'ნეიტრალური', 'პოზიტიური']

def classify_sentiment(text):

    inputs = tokenizer(text, return_tensors="pt", truncation=True)

    with torch.no_grad():
        outputs = model(**inputs)
        logits = outputs.logits
        probs = torch.nn.functional.softmax(logits, dim=1).numpy()[0]
    # Get label and confidence
    top_label = labels[np.argmax(probs)]
    confidence = np.max(probs)
    return {labels[i]: float(probs[i]) for i in range(len(labels))}


iface = gr.Interface(
    fn=classify_sentiment,
    inputs=gr.Textbox(lines=3, placeholder="შეიყვანეთ ტვიტი ..."),
    outputs=gr.Label(num_top_classes=3),
    title="Twitter-ის განწყობის კლასიფიკატორი",
    description="იყენებს CardiffNLP-ის მრავალენოვან RoBERTa მოდელს ტვიტების დადებით, ნეიტრალურ ან უარყოფითად კლასიფიცირებისთვის."
)

iface.launch(share=True)