Upload 2 files

app.py

@@ -0,0 +1,98 @@
+import gradio as gr
+import torch
+from transformers import AutoModelForSequenceClassification, AutoTokenizer
+
+# Хуулсан загварынхаа нэрийг зааж өгнө (Hugging Face-ээс шууд татна)
+MODEL_ID = "Batuka0901/mongolian_news_classifier"
+MAX_LENGTH = 128
+
+CATEGORY_DESC = {
+    "байгал орчин": "Байгаль орчин, экологи, цаг уур, ногоон хөгжил",
+    "боловсрол":    "Сургуули, их дээд сургууль, багш, сурагч, хичээл",
+    "спорт":        "Тэмцээн, уралдаан, шигшээ баг, медаль, аварга",
+    "технологи":    "Шинэ технологи, программ хангамж, интернет, инновац",
+    "улс төр":      "Засгийн газар, сонгууль, хууль тогтоомж, бодлого",
+    "урлаг соёл":   "Урлаг, дуу хөгжим, кино, уран зохиол, соёлын арга хэмжээ",
+    "хууль":        "Шүүх, хэрэг, дүрэм журам, хуулийн байгууллага",
+    "эдийн засаг":  "Санхүү, худалдаа, үйлдвэрлэл, инфляц, ДНБ",
+    "эрүүл мэнд":   "Эмнэлэг, эм, өвчин, эмч, эрүүл мэндийн бодлого",
+}
+
+# 1. Загвараа Cloud руу (Hugging Face) шууд татаж ажиллана
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
+model = AutoModelForSequenceClassification.from_pretrained(MODEL_ID).to(device).eval()
+
+# ID болон Label хөрвүүлэлтийг Model-ийн config-оос татаж авна
+id2label = {int(k): v for k, v in model.config.id2label.items()}
+
+def classify(text: str):
+    text = text.strip()
+    if not text:
+        return "", {}, ""
+
+    inputs = tokenizer(
+        text,
+        return_tensors="pt",
+        truncation=True,
+        max_length=MAX_LENGTH,
+        padding=True,
+    )
+    inputs = {k: v.to(device) for k, v in inputs.items()}
+
+    with torch.no_grad():
+        probs = torch.nn.functional.softmax(model(**inputs).logits, dim=-1)[0]
+
+    pred_id    = probs.argmax().item()
+    pred_label = id2label[pred_id]
+    confidence = probs[pred_id].item()
+
+    scores = {id2label[i]: float(probs[i]) for i in range(len(id2label))}
+    desc = CATEGORY_DESC.get(pred_label, "")
+    detail = f"Ангилал: {pred_label}  |  Итгэлцэл: {confidence:.1%}\n{desc}"
+
+    return pred_label, scores, detail
+
+EXAMPLES = [
+    ["Өнөөдөр хөлбөмбөгийн тэмцээнд Монголын шигшээ баг хожлоо."],
+    ["Эдийн засгийн сайд өнөөдөр мэдээлэл хийлээ."],
+    ["Шинэ технологийн компани байгуулагдлаа."],
+    ["Эмнэлэгт шинэ тоног төхөөрөмж суурилуулжээ."],
+    ["Багш нарын цалин нэмэгдэнэ."],
+    ["Нийслэлийн агаарын бохирдол буурлаа."],
+]
+
+CSS = """
+#title { text-align: center; margin-bottom: 4px; }
+#result_label { font-size: 1.3em; font-weight: bold; }
+footer { display: none !important; }
+"""
+
+with gr.Blocks(css=CSS, title="Монгол мэдээний ангилагч") as demo:
+
+    gr.Markdown("## Монгол мэдээний гарчиг ангилагч", elem_id="title")
+
+    with gr.Row():
+        with gr.Column(scale=3):
+            txt_input = gr.Textbox(
+                label="Мэдээний гарчиг",
+                placeholder="Мэдээний гарчгийг энд бичнэ үү...",
+                lines=3,
+            )
+            with gr.Row():
+                btn_clear  = gr.Button("Арилгах")
+                btn_submit = gr.Button("Ангилах", variant="primary")
+
+            gr.Examples(examples=EXAMPLES, inputs=txt_input)
+
+        with gr.Column(scale=2):
+            out_label  = gr.Textbox(label="Ангилал", elem_id="result_label")
+            out_scores = gr.Label(label="Ангилал бүрийн магадлал", num_top_classes=9)
+            out_detail = gr.Textbox(label="Дэлгэрэнгүй", lines=2)
+
+    btn_submit.click(fn=classify, inputs=txt_input, outputs=[out_label, out_scores, out_detail])
+    btn_clear.click(fn=lambda: ("", {}, ""), outputs=[out_label, out_scores, out_detail])
+    txt_input.submit(fn=classify, inputs=txt_input, outputs=[out_label, out_scores, out_detail])
+
+if __name__ == "__main__":
+    demo.launch()

requirements.txt

@@ -0,0 +1,3 @@
+transformers
+torch
+gradio