inference fonctionnelle sans load de fichier

.gitattributes

@@ -1 +1,2 @@
 *.pt filter=lfs diff=lfs merge=lfs -text
+*.pkl filter=lfs diff=lfs merge=lfs -text

src/inference.py

@@ -5,19 +5,12 @@ import pickle
 
 import torch
 
-import dataloader
-from model import Decoder, Encoder, EncoderDecoderModel
+from src import dataloader
+from src.model import Decoder, Encoder, EncoderDecoderModel
 
-# On doit loader les données pour avoir le Vectoriser > sauvegarder "words" dans un fichiers et le loader par la suite ??
-### À CHANGER POUR N'AVOIR À LOADER QUE LE VECTORISER
-data1 = dataloader.Data("data/train_extract.jsonl")
-data2 = dataloader.Data("data/dev_extract.jsonl")
-words = pickle.load("model/vocab.pkl")
-words = data1.get_words()
-
-vectoriser = dataloader.Vectoriser()
-vectoriser.load("model/vocab.pkl")
-word_counts = vectoriser.word_count
+with open ("model/vocab.pkl", 'rb') as vocab:
+    words = pickle.load(vocab)
+vectoriser = dataloader.Vectoriser(words)
 
 
 def inferenceAPI(text: str) -> str:
@@ -42,7 +35,7 @@ def inferenceAPI(text: str) -> str:
     )
 
     # On instancie le modèle
-    model = EncoderDecoderModel(encoder, decoder, device)
+    model = EncoderDecoderModel(encoder, decoder, vectoriser, device)
 
     model.load_state_dict(torch.load("model/model.pt", map_location=device))
     model.eval()
@@ -56,6 +49,7 @@ def inferenceAPI(text: str) -> str:
     with torch.no_grad():
         output = model(source).to(device)
         output.to(device)
+        output=output.argmax(dim=-1)
     return vectoriser.decode(output)