Add tabed interface and model 3

app.py

@@ -53,6 +53,7 @@ def classify_text(test_text, selected_model):
     elif selected_model == 'Model 3':
         models = [f_30_40_model, f_40_55_model, m_30_40_model, m_40_55_model]
         predicted_labels = []
+        probs = []
         performance_labels = ['Lite god', 'Nokså god', 'God']
         inputs = tokenizer(test_text, return_tensors="pt")
 
@@ -62,23 +63,38 @@ def classify_text(test_text, selected_model):
                 logits = outputs.logits
                 probabilities = torch.softmax(logits, dim=1)
             
+            prob, _ = torch.max(probabilities, dim=1)
+            prob = prob.item()
             predicted_class = torch.argmax(probabilities, dim=1).item()
             predicted_performance = performance_labels[predicted_class]
             predicted_labels.append(predicted_performance)
+            probs.append(prob)
 
-        return dict(zip(categories, map(str,predicted_labels)))
+        ret_str = '-------- Predicted performance ------ \n'
+        for cat, lab, prob in zip(categories, predicted_labels, probs):
+            ret_str += f' \t {cat}: {lab} \n \t Med sannsynlighet: {prob:.2f} \n'
+            ret_str += '------------------------------------ \n'
+        return  ret_str
 
 # Cell
 label = gr.outputs.Label()
 categories = ('Kvinner 30-40', 'Kvinner 40-55', 'Menn 30-40', 'Menn 40-55')
 app_title = "Target group classifier"
 
-examples = [["Moren leter etter sønnen i et ihjelbombet leilighetskompleks.", 'Model 1'],
+examples_1 = [["Moren leter etter sønnen i et ihjelbombet leilighetskompleks.", 'Model 1'],
             ["Fotballstadion tok fyr i helgen", 'Model 2'],
             ["De første månedene av krigen gikk så som så. Nå har Putin skiftet strategi.", 'Model 1'],
-            ["Title: Disse hadde størst formue i 2022, Text lead: Laksearvingen Gustav Magnar Witzøe økte formuen med nesten 7 milliarder i fjor, og troner nok en gang øverst på listen over Norges rikeste.", "Model 3"],
-            ["Title: Dette er de mest populære navnene i 2022, Text lead: Navnetoppen for 2022 er klar. Se hvilke navn som er mest populære i din kommune.", "Model 3"],
-            ["Title: 2023 er det varmeste året noen gang registrert, Text lead: En ny rapport viser at 2023 er det varmeste året registrert siden man startet målingene. Klimaforsker kaller tallene urovekkende.", "Model 3"]
 ]
-intf = gr.Interface(fn=classify_text, inputs=["text", gr.Dropdown(['Model 1', 'Model 2', 'Model 3'])], outputs=label, examples=examples, title=app_title)
-intf.launch(inline=False)
+
+examples_2 = [
+            ["Title: Disse hadde størst formue i 2022, Text lead: Laksearvingen Gustav Magnar Witzøe økte formuen med nesten 7 milliarder i fjor, og troner nok en gang øverst på listen over Norges rikeste."],
+            ["Title: Dette er de mest populære navnene i 2022, Text lead: Navnetoppen for 2022 er klar. Se hvilke navn som er mest populære i din kommune."],
+            ["Title: 2023 er det varmeste året noen gang registrert, Text lead: En ny rapport viser at 2023 er det varmeste året registrert siden man startet målingene. Klimaforsker kaller tallene urovekkende."]
+]
+
+io1 = gr.Interface(fn=classify_text, inputs=["text", gr.Dropdown(['Model 1', 'Model 2'])], outputs='text',  examples=examples_1, title=app_title)
+io2 = gr.Interface(fn=classify_text, inputs=["text", 'Model 3'], outputs='text',  examples=examples_2, title=app_title)
+
+gr.TabbedInterface(
+    [io1, io2], ["Model 1 & 2", "Model 3"]
+).launch(inline=False, debug=True)