Сделал тестовое задание

python/Dockerfile

@@ -0,0 +1,18 @@
+# 
+FROM python:3.10
+
+# 
+WORKDIR /code
+
+# 
+COPY ./requirements.txt /code/requirements.txt
+
+# 
+RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
+
+# 
+COPY ./app /code/app
+# 
+ENV PYTHONPATH="/code/app"
+#
+CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]

python/README.md

@@ -1,53 +1,7 @@
-# Тестовое задание для Python разработчика
-## Рекомендации по выполнению задания
-1. Использовать python для выполнения задания
-2. Применить для разработки API сервиса фреймворк FastAPI
-4. Использовать библиотеки FastAPI, torch, transformers
-5. Для запуска FastAPI использовать uvicorn
+Для запуска приложения необходимо установить и включить Docker Desktop последней версии 
+Находясь в директории с Dockerfile запустить следующие команды: 
+docker build -t myimage .
+docker run -d --name mycontainer -p 8000:8000 myimage
 
-## Задание
-1. Встроить модель (https://huggingface.co/Aniemore/rubert-tiny2-russian-emotion-detection) в API сервис. Модель выполняет анализ тональности (sentiment analysis) предложения.
-2. В API сервисе нужно реализовать endpoint на который методом POST будет отправляться предложение для анализа. Название эндпоинта придумать самостоятельно.
- ### Пример:
- #### Запрос:
-````
-{"text": "Это API сервис"}
-````
- #### Ответ: 
-````
-{
-  "results": [
-    {
-      "label": "neutral",
-      "score": 0.9809684157371521
-    },
-    {
-      "label": "enthusiasm",
-      "score": 0.006884392816573381
-    },
-    {
-      "label": "anger",
-      "score": 0.006308802869170904
-    },
-    {
-      "label": "sadness",
-      "score": 0.006137280724942684
-    },
-    {
-      "label": "happiness",
-      "score": 0.004910049494355917
-    },
-    {
-      "label": "fear",
-      "score": 0.004772619344294071
-    },
-    {
-      "label": "disgust",
-      "score": 0.002789509715512395
-    }
-  ]
-}
-  ````
-3. В сервисе реализовать сборку документации(swagger) которая должны быть доступна по URL `/docs`. 
-4. Сделать ПР с кодом и Dockerfile для сборки контейнера с сервисом. После запуска контейнера сервис должен быть доступен на порту 8000. (localhost:8000). Версии пакетов зафиксировать в requirements.txt.
-5. Написать краткую инструкцию по запуску.
+Приложение принимает POST запросы по адресу localhost:8000/analyze/{text}
+Документация доступная по localhost:8000/docs

python/app/OutFormating.py

@@ -0,0 +1,6 @@
+def decorate(dictionary):
+    output = {"results" : []}
+    for key, value in dictionary.items():
+        output["results"].append({"label" : key, "score" : value})
+    return output
+

python/app/emotion_analyzer.py

@@ -0,0 +1,16 @@
+import torch
+from transformers import BertForSequenceClassification, AutoTokenizer
+
+LABELS = ["neutral", "happiness", "sadness", "enthusiasm", "fear", "anger", "disgust"]
+tokenizer = AutoTokenizer.from_pretrained('Aniemore/rubert-tiny2-russian-emotion-detection')
+model = BertForSequenceClassification.from_pretrained('Aniemore/rubert-tiny2-russian-emotion-detection')
+
+@torch.no_grad()
+def predict_emotions(text: str) -> list:
+    inputs = tokenizer(text, max_length=512, padding=True, truncation=True, return_tensors="pt")
+    outputs = model(**inputs)
+    predicted = torch.nn.functional.softmax(outputs.logits, dim=1)
+    emotions_list = {}
+    for i in range(len(predicted.numpy()[0].tolist())):
+        emotions_list[LABELS[i]] = predicted.numpy()[0].tolist()[i]
+    return emotions_list

python/app/main.py

@@ -0,0 +1,12 @@
+from fastapi import FastAPI
+import emotion_analyzer
+import OutFormating
+
+app = FastAPI()
+
+@app.post("/analyze/{text}")
+def analyze_text(text: str):
+    """ Принимает строку и возвращает анализ эмоций введённого сообщения """
+    analysis_result = emotion_analyzer.predict_emotions(text)
+    return OutFormating.decorate(analysis_result)
+

python/requirements.txt

@@ -0,0 +1,6 @@
+fastapi==0.85.0
+huggingface-hub==0.10.0
+pydantic==1.10.2
+torch==1.12.1
+transformers==4.22.2
+uvicorn==0.18.3