Update app.py

app.py

@@ -9,12 +9,16 @@ print(f"Gradio version at runtime: {gr.__version__}")
 MODEL_ID = "Light-Dav/sentiment-analysis-full-project"
 
 try:
+    # Esto carga tu modelo pre-entrenado desde Hugging Face Hub
+    # top_k=None asegura que se devuelvan las puntuaciones de todas las clases (positivo, negativo, neutral)
     sentiment_analyzer = pipeline("sentiment-analysis", model=MODEL_ID, top_k=None)
     model_loaded_successfully = True
+    print("Sentiment analysis model loaded successfully.")
 except Exception as e:
     print(f"Error loading model: {e}")
     sentiment_analyzer = None
     model_loaded_successfully = False
+    print("Sentiment analysis model failed to load. Please check MODEL_ID and network connection.")
 
 # --- Custom CSS for a dark look inspired by the website ---
 # Este CSS define todo el aspecto visual sin depender de un tema de Gradio
@@ -132,16 +136,21 @@ def analyze_sentiment(text):
         }
 
     try:
-        results = sentiment_analyzer(text)[0] # Obtener la primera (y única) lista de resultados
+        # Asegúrate de que la salida del pipeline es una lista de listas, y toma la primera.
+        results = sentiment_analyzer(text)[0] 
 
+        # Ordenar los resultados por puntuación de confianza de mayor a menor
         results_sorted = sorted(results, key=lambda x: x['score'], reverse=True)
 
-        top_sentiment = results_sorted[0] # <--- CORRECCIÓN IMPORTANTE AQUÍ (era results_sorted(0))
+        # Tomar el primer elemento (el de mayor confianza)
+        top_sentiment = results_sorted[0] 
         label = top_sentiment['label']
         score = top_sentiment['score']
 
+        # Crear un diccionario de puntuaciones de confianza para la salida de la etiqueta
         confidence_scores_output = {item['label']: item['score'] for item in results}
 
+        # Generar el HTML para mostrar el sentimiento general
         overall_sentiment_display = interpret_sentiment(label, score)
 
         return {
@@ -150,6 +159,7 @@ def analyze_sentiment(text):
             "Raw Output": str(results)
         }
     except Exception as e:
+        # En caso de cualquier error durante el análisis
         return {
             "Overall Sentiment": f"<div class='sentiment-display'>❌ Error ❌</div><p>An error occurred during analysis: {e}</p>",
             "Confidence Scores": {},
@@ -159,7 +169,7 @@ def analyze_sentiment(text):
 # --- Gradio Interface ---
 # Al establecer theme=None, Gradio no aplicará ningún tema predefinido.
 # Todo el estilo visual vendrá de nuestro `custom_css`.
-with gr.Blocks(css=custom_css, theme=None) as demo: # <--- CAMBIO CLAVE AQUÍ: theme=None
+with gr.Blocks(css=custom_css, theme=None) as demo: 
     gr.Markdown("<h1 style='color: #80cbc4; text-align: center;'>🌌 Sentiment Analyzer 🌌</h1>")
     gr.Markdown("<p style='color: #f8f8f2; text-align: center;'>Uncover the emotional tone of your English text instantly.</p>")
 
@@ -175,8 +185,8 @@ with gr.Blocks(css=custom_css, theme=None) as demo: # <--- CAMBIO CLAVE AQUÍ: t
 
         gr.Markdown("<hr style='border-top: 1px solid #424242;'>")
         gr.Markdown("<h3 style='color: #80cbc4; text-align: center;'>Try some examples:</h3>")
-        # Aquí definimos los outputs directamente al crear el gr.Examples,
-        # esto es una forma robusta de manejarlo.
+        
+        # IMPORTANTE: Desactivamos cache_examples para evitar el FileNotFoundError
         examples = gr.Examples(
             examples=[
                 ["This product exceeded my expectations, truly amazing!"],
@@ -189,12 +199,12 @@ with gr.Blocks(css=custom_css, theme=None) as demo: # <--- CAMBIO CLAVE AQUÍ: t
             inputs=text_input,
             fn=analyze_sentiment,
             outputs=[gr.HTML(label="Overall Sentiment"), gr.Label(num_top_classes=3, label="Confidence Scores"), gr.JSON(label="Raw Model Output", visible=False)],
-            cache_examples=True
+            cache_examples=False # <--- ESTE ES EL CAMBIO CLAVE PARA ELIMINAR EL FileNotFoundError
         )
 
         gr.Markdown("<hr style='border-top: 1px solid #424242;'>")
         gr.Markdown("<h2 style='color: #80cbc4;'>📊 Analysis Results</h2>")
-        # Asegúrate de que las variables de salida estén definidas aquí para los listeners
+        
         overall_sentiment_output = gr.HTML(label="Overall Sentiment")
         confidence_scores_output = gr.Label(num_top_classes=3, label="Confidence Scores")
         raw_output = gr.JSON(label="Raw Model Output", visible=False)