Update app.py

app.py

@@ -1,10 +1,21 @@
+import os
+from huggingface_hub import login
 import torch
 from transformers import pipeline
 import gradio as gr
 
-# Carregar o modelo
+# Set the Hugging Face token from the environment variable
+hf_token = os.getenv("HF_TOKEN")
+if hf_token is None:
+    raise ValueError("Hugging Face token is not set in the environment variable.")
+
+# Log in to Hugging Face with the token
+login(token=hf_token)
+
+# Define the model ID
 model_id = "meta-llama/Llama-3.2-1B-Instruct"
 
+# Load the pipeline with the model
 pipe = pipeline(
     "text-classification", 
     model=model_id, 
@@ -12,22 +23,22 @@ pipe = pipeline(
     device_map="auto"
 )
 
-# Definir os rótulos das classes
+# Define custom labels for classification
 pipe.model.config.id2label = {0: 'greeting', 1: 'farewell', 2: 'other'}
 
-# Função para usar o modelo e retornar o resultado
+# Function to classify input text
 def classify_text(text):
     result = pipe(text)
     return result[0]['label']
 
-# Interface Gradio
+# Create Gradio interface
 iface = gr.Interface(
-    fn=classify_text,                  # Função que será chamada
-    inputs=gr.Textbox(label="Texto"),   # Caixa de texto para o usuário inserir a entrada
-    outputs=gr.Label(label="Classificação"),  # Exibição da classificação
-    title="Classificador de Texto",     # Título do app
-    description="Este modelo classifica o texto em três categorias: 'greeting', 'farewell', e 'other'."
+    fn=classify_text,  # Function to be called
+    inputs=gr.Textbox(label="Enter Text"),  # Textbox input for user
+    outputs=gr.Label(label="Classification"),  # Output label showing classification
+    title="Text Classifier",  # Title of the app
+    description="Classify your text as 'greeting', 'farewell', or 'other'."  # Description of the app
 )
 
-# Iniciar o app Gradio
-iface.launch()
+# Launch the Gradio app
+iface.launch()