Changed layout

app.py

@@ -11,29 +11,37 @@ tokenizer_cat = BertTokenizer.from_pretrained("warleagle/service_name_categorize
                                           token=HF_TOKEN)
 model_cat = BertForSequenceClassification.from_pretrained('warleagle/service_name_categorizer',token=HF_TOKEN)
 
+clf_cat = pipeline("text-classification", model=model_cat, tokenizer=tokenizer_cat)
+
+id2label_cat = pd.read_pickle('id2label_service_categoriser.pickle')
+
 tokenizer_spec = BertTokenizer.from_pretrained("warleagle/specialists_categorizer_model",
                                           token=HF_TOKEN)
 model_spec = BertForSequenceClassification.from_pretrained('warleagle/specialists_categorizer_model',token=HF_TOKEN)
 
+clf_spec = pipeline("text-classification", model=model_spec, tokenizer=tokenizer_spec)
+
+id2label_spec = pd.read_pickle('id2label_spec_categoriser.pickle')
 def categoriser_predict(input_text):
-    clf = pipeline("text-classification", model=model_cat, tokenizer=tokenizer_cat)
-    predictions = clf(input_text)
+    predictions = clf_cat(input_text)
     numeric_label = int(predictions[0]['label'].split("_")[1])
-    id2label = pd.read_pickle('id2label_service_categoriser.pickle')
-    text_label = id2label[numeric_label]
+    text_label = id2label_cat[numeric_label]
     return text_label
 def doctor_spec_predict(input_text):
-    clf = pipeline("text-classification", model=model_spec, tokenizer=tokenizer_spec)
-    predictions = clf(input_text)
+    predictions = clf_spec(input_text)
     numeric_label = int(predictions[0]['label'].split("_")[1])
-    id2label = pd.read_pickle('id2label_spec_categoriser.pickle')
-    text_label = id2label[numeric_label]
+    text_label = id2label_spec[numeric_label]
     return text_label
 def dops_predict(input_text):
     cfg = ServiceDopsConfig()
     model = DopsClassifier(config=cfg)
     result = model.run_all_dops(input_text)
     return result
+def convert_dops_to_dif_fields(dops_result):
+    dops_values = []
+    for dop in dops_result:
+        dops_values.append(dop['values'])
+    return dops_values
 def service_pipeline(input_text):
     categoriser_result = categoriser_predict(input_text)
     if categoriser_result!='Консультация специалиста':
@@ -42,15 +50,21 @@ def service_pipeline(input_text):
         doctor_spec_result = doctor_spec_predict(input_text)
         dops_result = dops_predict(input_text)
         dops_result = json.dumps(dops_result,indent=4,ensure_ascii=False)
-        return categoriser_result,doctor_spec_result,dops_result
+        dops_values = convert_dops_to_dif_fields(dops_result)
+        return categoriser_result,doctor_spec_result,dops_values[0],dops_values[1],dops_values[2],dops_values[3],dops_values[5]
 demo = gr.Interface(fn=service_pipeline,inputs=gr.components.Textbox(label='Название услуги'),
                     outputs=[gr.components.Textbox(label='Относится ли данная услуга к приёму специалиста'),
                              gr.components.Textbox(label='Специальность врача'),
-                             gr.Textbox(label='Дополнительные параметры услуги')],
+                             gr.components.Textbox(label='Место оказания услуги'),
+                             gr.components.Textbox(label='Учёная степень'),
+                             gr.components.Textbox(label='Возрастная категория'),
+                             gr.components.Textbox(label='Вид приёма'),
+                             gr.components.Textbox(label='Расстояние в км от М(КАД)')],
                     examples=[
                         ['Врач-офтальмолог (высшая категория/кандидат медицинских наук), первичный приём'],
                         ['Прием (осмотр, консультация) - врача -оториноларинголога Первичный, рекомендации'],
-                        ['Прием врача специалиста ЛОР']])
+                        ['Прием врача специалиста ЛОР'],
+                        ['Прием (осмотр, консультация) врача-терапевта на дому, повторный (в пределах 5 км от М(КАД)/административной границы города)']])
 
 if __name__ == "__main__":
     demo.launch()