Merge pull request #7 from Sibbear1980/branch_kate

Branch kate

README.md

@@ -1,6 +1,7 @@
-Программная инженерия II. Практическое задание к модулю 2
+# Программная инженерия II.
+Практическое задание к модулю 2
 
-Цель задания: научиться использовать Branches в Git.
+## Цель задания: научиться использовать Branches в Git.
 
 Для задания выбрана модель определения эмоционального окраса текста
 
@@ -12,10 +13,10 @@ curl -X 'POST' 'http://127.0.0.1:8000/predict/' -H 'Content-Type: application/js
 
 Используемые модули: (см. requirements.txt)
 
-Состав команды:
+### Состав команды:
 1. Воробьев Василий
 2. Егоренкова Татьяна
 3. Ильиных Виктория
 4. Коньшина Ольга
 5. Шабанов Дмитрий
-
+6. Прохорова Екатерина

main.py

@@ -5,10 +5,13 @@
 
 
 app = FastAPI()
-tokenizer = BertTokenizerFast.from_pretrained('blanchefort/rubert-base-cased-sentiment')
-model = AutoModelForSequenceClassification.from_pretrained('blanchefort/rubert-base-cased-sentiment', return_dict=True)
-result = ['нейтральный', 'позитивный :)', 'негативный ((']
-
+tokenizer = BertTokenizerFast.from_pretrained(
+    "blanchefort/rubert-base-cased-sentiment"
+)
+model = AutoModelForSequenceClassification.from_pretrained(
+    "blanchefort/rubert-base-cased-sentiment", return_dict=True
+)
+result = ["нейтральный", "позитивный :)", "негативный (("]
 
 
 @app.get("/")
@@ -17,10 +20,21 @@ def root():
 
 
 @app.post("/predict/")
-def predict(input: dict):     # функция для расчета модели, в "input" передаются текст
-    inputs = tokenizer(input['text'], max_length=512, padding=True, truncation=True, return_tensors='pt')
+# функция для расчета модели,
+# в "input" передаются текст
+def predict(input: dict):
+    inputs = tokenizer(
+        input["text"],
+        max_length=512,
+        padding=True,
+        truncation=True,
+        return_tensors="pt",
+    )
     outputs = model(**inputs)
     predicted = torch.nn.functional.softmax(outputs.logits, dim=1)
     predicted = torch.argmax(predicted, dim=1).numpy()
-    output = {'Исходный текст': input['text'], 'Результат:': result[int(predicted[0])]}  # формируем результат
+    output = {
+        "Исходный текст": input["text"],
+        "Результат:": result[int(predicted[0])],
+    }  # формируем результат
     return output

test_main.py

@@ -11,32 +11,28 @@ def test_read_main():
 
 
 def test_predict_positive():
-    response = client.post("/predict/",
-                           json={"text": "I love you!"})
+    response = client.post("/predict/", json={"text": "I love you!"})
     json_data = response.json()
     assert response.status_code == 200
-    assert json_data['Результат:'] == 'позитивный :)'
+    assert json_data["Результат:"] == "позитивный :)"
 
 
 def test_predict_negative():
-    response = client.post("/predict/",
-                           json={"text": "I am very angry"})
+    response = client.post("/predict/", json={"text": "I am very angry"})
     json_data = response.json()
     assert response.status_code == 200
-    assert json_data['Результат:'] == 'негативный (('
+    assert json_data["Результат:"] == "негативный (("
 
 
 def test_predict_russian_positive():
-    response = client.post("/predict/",
-                           json={"text": "Я люблю учиться"})
+    response = client.post("/predict/", json={"text": "Я люблю учиться"})
     json_data = response.json()
     assert response.status_code == 200
-    assert json_data['Результат:'] == 'позитивный :)'
+    assert json_data["Результат:"] == "позитивный :)"
 
 
 def test_predict_russian_negative():
-    response = client.post("/predict/",
-                           json={"text": "Я ненавижу тебя"})
+    response = client.post("/predict/", json={"text": "Я ненавижу тебя"})
     json_data = response.json()
     assert response.status_code == 200
-    assert json_data['Результат:'] == 'негативный (('
+    assert json_data["Результат:"] == "негативный (("