Update app.py

app.py

@@ -55,26 +55,26 @@ if page == "какая-то еще":
     # Загрузка предварительно обученной модели ruBERT
     tokenizer = AutoTokenizer.from_pretrained("DeepPavlov/rubert-base-cased-sentence")
     model = AutoModel.from_pretrained("DeepPavlov/rubert-base-cased-sentence")
+
     def encode_description(description):
-    tokens = tokenizer(description, return_tensors="pt")
-    with torch.no_grad():
-        outputs = model(**tokens)
-    embeddings = outputs.last_hidden_state.mean(dim=1)
-    return embeddings
+        tokens = tokenizer(description, return_tensors="pt")
+        with torch.no_grad():
+            outputs = model(**tokens)
+        embeddings = outputs.last_hidden_state.mean(dim=1)
+        return embeddings
 
-    
     embeddings = pd.read_pickle('embeddings.pkl')
     user_input = st.text_area('Введите описание фильма')
     input_embedding = encode_description(user_input)
-    mbeddings_tensor = torch.stack(df['description_embedding'].tolist()).numpy()
+    embeddings_tensor = torch.stack(df['description_embedding'].tolist()).numpy()
 
-# Рассчитайте косинусное сходство
+    # Рассчитайте косинусное сходство
     similarity_scores = cosine_similarity(input_embedding.view(1, -1).detach().numpy(), embeddings_tensor.reshape(embeddings_tensor.shape[0], -1))[0]
 
-# Получение индексов отсортированных значений
+    # Получение индексов отсортированных значений
     sorted_indices = similarity_scores.argsort()[::-1]
 
-# Используйте индексы для извлечения строк из DataFrame
+    # Используйте индексы для извлечения строк из DataFrame
     recs = df.iloc[sorted_indices[:10]].reset_index(drop=True)
     recs.index = recs.index + 1   
-    st.write(recs[['movie_title', 'description']])
+    st.write(recs[['movie_title', 'description']])