Delete app.py

app.py

@@ -1,102 +0,0 @@
-__all__ = ['is_fantasy', 'learn', 'classify_image', 'categories', 'image', 'label', 'examples', 'intf']
-
-from fastai.vision.all import *
-
-import pandas as pd
-import gradio as gr
-
-class CollabNN(Module):
-    def __init__(self, user_sz, item_sz, y_range=(0,11), n_act=100):
-        self.user_factors = Embedding(*user_sz)
-        self.item_factors = Embedding(*item_sz)
-        self.layers = nn.Sequential(
-            nn.Linear(user_sz[1]+item_sz[1], n_act),
-            nn.ReLU(),
-            nn.Linear(n_act, 1))
-        self.y_range = y_range
-        
-    def forward(self, x):
-        embs = self.user_factors(x[:,0]),self.item_factors(x[:,1])
-        x = self.layers(torch.cat(embs, dim=1))
-        return sigmoid_range(x, *self.y_range)
-
-
-def load_animes(filename):
-    # Carrega o arquivo CSV de animes usando a biblioteca pandas
-    try:
-        animes_df = pd.read_csv(filename, encoding='latin-1', delimiter=';')
-        return animes_df
-    except FileNotFoundError:
-        print("Arquivo não encontrado!")
-        return None
-
-def recommend_animes(anime1, anime2, anime3, animes_df):  # Adiciona animes_df como parâmetro
-    # Verifica se os três animes foram selecionados
-    if not anime1 or not anime2 or not anime3:
-        return "Selecione três animes!"
-
-    # Carregar o modelo de filtro colaborativo
-    model = load_learner('model.pkl')
-
-    # Obter os títulos dos animes selecionados
-    anime_titles = [anime1, anime2, anime3]
-
-    # Verificar se os animes selecionados estão presentes no dataframe
-    if not all(title in animes_df["anime-Title"].values for title in anime_titles):
-        return "Um ou mais animes selecionados não estão disponíveis."
-
-    # Obter as recomendações com base nos animes selecionados
-    recommendations = collaborative_filtering_recommendations(anime_titles, model, animes_df)  # Adiciona animes_df como parâmetro
-
-    # Cria a string de recomendações
-    recommendations_str = f"Já que gostou do anime {anime1}, {anime2} e {anime3}, você pode gostar desses:\n"
-    recommendations_str += "\n".join(f"• {anime}" for anime in recommendations)
-
-    return recommendations_str
-
-def collaborative_filtering_recommendations(anime_titles, model, animes_df):  # Adiciona animes_df como parâmetro
-    # Preprocess anime titles (convert to indices or required format)
-    preprocessed_titles = preprocess_titles(anime_titles)
-
-    # Pass preprocessed data through the model to get predictions
-    predictions = model.predict(preprocessed_titles)
-
-    # Sort predictions and select top recommendations
-    top_indices = predictions.argsort()[5:][::1]  # Select top 5 recommendations (adjust as needed)
-
-    # Map indices back to anime titles
-    recommendations = [animes_df.iloc[index]["anime-Title"] for index in top_indices]
-
-    return recommendations
-
-def preprocess_titles(anime_titles):
-    # Get the user index for all animes (assuming a single user for recommendations)
-    user_indices = [0] * len(anime_titles)
-
-    # Get the item indices for the anime titles
-    item_indices = [animes_df.loc[animes_df["anime-Title"] == title].index.item() for title in anime_titles]
-
-    # Combine user and item indices into tuples
-    indices = list(zip(user_indices, item_indices))
-
-    return indices
-
-
-
-
-# Define a função de interface
-def interface(anime1, anime2, anime3):
-    recommendations = recommend_animes(anime1, anime2, anime3, animes_df)  # Passa animes_df como argumento
-    return recommendations
-
-# Cria a interface usando a biblioteca Gradio
-iface = gr.Interface(
-    fn=interface,
-    inputs=["text", "text", "text"],
-    outputs="text",
-    title="Recomendações de animes",
-    description="Selecione três animes e obtenha recomendações baseadas em filtro colaborativo."
-)
-
-# Executa a interface
-iface.launch()