Upload 3 files

config.json

@@ -0,0 +1,6 @@
+{
+    
+    model : {},
+    layers : {},
+
+}

test.py

@@ -0,0 +1,94 @@
+# test.py (오류 수정 최종 코드)
+
+import numpy as np
+import tensorflow as tf
+from tensorflow import keras
+# from_pretrained_keras 대신 hf_hub_download를 사용합니다.
+from huggingface_hub import hf_hub_download
+
+print("TensorFlow 버전:", tf.__version__)
+
+# 1. Hugging Face Hub에서 모델 파일 다운로드 후 로드
+REPO_ID = "OneclickAI/LSTM_GUE_test_Model"
+print(f"\n'{REPO_ID}' 저장소에서 모델 파일의 위치를 확인합니다...")
+
+try:
+    # 1단계: hf_hub_download로 파일의 로컬 캐시 경로를 가져옵니다.
+    # 파일이 이미 다운로드 되었다면, 다운로드를 생략하고 경로만 즉시 반환합니다.
+    print("LSTM 모델 경로 확인 중...")
+    lstm_model_path = hf_hub_download(repo_id=REPO_ID, filename="lstm_model.keras")
+    print(f"LSTM 모델 파일 위치: {lstm_model_path}")
+    
+    print("GRU 모델 경로 확인 중...")
+    gru_model_path = hf_hub_download(repo_id=REPO_ID, filename="gru_model.keras")
+    print(f"GRU 모델 파일 위치: {gru_model_path}")
+
+    # 2단계: 다운로드된 파일 경로를 Keras의 표준 load_model 함수로 직접 로드합니다.
+    print("\nKeras로 모델을 로드합니다...")
+    lstm_model = keras.models.load_model(lstm_model_path)
+    gru_model = keras.models.load_model(gru_model_path)
+    
+    print("모델을 성공적으로 로드했습니다.")
+
+except Exception as e:
+    print(f"모델 로딩 중 오류 발생: {e}")
+    print("인터넷 연결 및 저장소 ID, 파일명을 확인해주세요.")
+    exit()
+
+# IMDB 데이터셋의 단어 인덱스 로드 ('단어': 정수)
+word_index = keras.datasets.imdb.get_word_index()
+
+# 2. 예측할 리뷰 문장 정의
+review1 = "This movie was fantastic and wonderful. I really enjoyed it."
+review2 = "It was a complete waste of time. The plot was terrible and the acting was bad."
+
+# 3. 문장 전처리 함수
+def preprocess_text(text, word_index, maxlen=256):
+    """
+    텍스트를 모델이 이해할 수 있는 정수 시퀀스로 변환하고 패딩합니다.
+    """
+    # 문장을 소문자로 변환하고 단어 단위로 분할
+    tokens = text.lower().split()
+    
+    # 각 단어를 정수 인덱스로 변환 (word_index에 없으면 2번 인덱스'<unk>' 사용)
+    token_indices = [word_index.get(word, 2) for word in tokens]
+    
+    # 시퀀스 패딩
+    padded_sequence = keras.preprocessing.sequence.pad_sequences([token_indices], maxlen=maxlen)
+    
+    return padded_sequence
+
+# 4. 모델 예측 및 결과 출력 함수
+def predict_review(review_text, model, model_name):
+    """
+    전처리된 텍스트를 사용하여 감성 분석을 수행하고 결과를 출력합니다.
+    """
+    # 문장 전처리
+    processed_review = preprocess_text(review_text, word_index)
+    
+    # 예측 수행
+    prediction = model.predict(processed_review, verbose=0) # 예측 시 로그 출력을 끔
+    positive_probability = prediction[0][0] * 100
+    
+    print(f"--- {model_name} 모델 예측 결과 ---")
+    print(f"리뷰: '{review_text}'")
+    print(f"긍정 확률: {positive_probability:.2f}%")
+    if positive_probability > 50:
+        print("결과: 긍정적인 리뷰입니다.")
+    else:
+        print("결과: 부정적인 리뷰입니다.")
+    print("-" * 30)
+
+# 5. 각 리뷰에 대해 두 모델로 예측 수행
+print("\n" + "="*40)
+print("첫 번째 리뷰 예측 시작")
+print("="*40)
+predict_review(review1, lstm_model, "LSTM")
+predict_review(review1, gru_model, "GRU")
+
+
+print("\n" + "="*40)
+print("두 번째 리뷰 예측 시작")
+print("="*40)
+predict_review(review2, lstm_model, "LSTM")
+predict_review(review2, gru_model, "GRU")

train.py

@@ -0,0 +1,96 @@
+import numpy as np
+import tensorflow as tf
+from tensorflow import keras
+from keras import layers
+
+print("TensorFlow 버전:", tf.__version__)
+
+# 1. 데이터 로드 및 전처리
+print("\n1. 데이터 로드 및 전처리를 시작합니다...")
+# num_words=10000: 가장 빈도가 높은 1만 개의 단어만 사용
+(x_train, y_train), (x_test, y_test) = keras.datasets.imdb.load_data(num_words=10000)
+
+print(f"학습 데이터 개수: {len(x_train)}")
+print(f"테스트 데이터 개수: {len(x_test)}")
+
+# 문장의 길이를 동일하게 맞추기 위해 패딩(padding) 처리 (maxlen=256)
+x_train = keras.preprocessing.sequence.pad_sequences(x_train, maxlen=256)
+x_test = keras.preprocessing.sequence.pad_sequences(x_test, maxlen=256)
+print("데이터 전처리가 완료되었습니다.")
+
+# 2. LSTM 모델 생성, 학습 및 저장
+print("\n2. LSTM 모델 학습을 시작합니다...")
+
+# LSTM 모델 아키텍처 정의
+lstm_model = keras.Sequential([
+    layers.Embedding(input_dim=10000, output_dim=128),
+    layers.LSTM(64),
+    layers.Dense(1, activation="sigmoid")
+])
+
+# 모델 컴파일
+lstm_model.compile(
+    loss="binary_crossentropy",
+    optimizer="adam",
+    metrics=["accuracy"]
+)
+
+print("\n--- LSTM 모델 구조 ---")
+lstm_model.summary()
+
+# 모델 학습
+batch_size = 128
+epochs = 1 # 예제이므로 epoch를 줄여서 실행 시간을 단축합니다.
+history_lstm = lstm_model.fit(
+    x_train, y_train,
+    batch_size=batch_size,
+    epochs=epochs,
+    validation_data=(x_test, y_test)
+)
+
+# 모델 평가
+score_lstm = lstm_model.evaluate(x_test, y_test, verbose=0)
+print(f"\nLSTM 모델 테스트 결과 -> Loss: {score_lstm[0]:.4f}, Accuracy: {score_lstm[1]:.4f}\n")
+
+# 학습된 LSTM 모델 저장
+lstm_model.save("lstm_model.keras")
+print("LSTM 모델이 'lstm_model.keras' 파일로 저장되었습니다.")
+
+
+# 3. GRU 모델 생성, 학습 및 저장
+print("\n3. GRU 모델 학습을 시작합니다...")
+
+# GRU 모델 아키텍처 정의
+gru_model = keras.Sequential([
+    layers.Embedding(input_dim=10000, output_dim=128),
+    layers.GRU(64),
+    layers.Dense(1, activation="sigmoid")
+])
+
+# 모델 컴파일
+gru_model.compile(
+    loss="binary_crossentropy",
+    optimizer="adam",
+    metrics=["accuracy"]
+)
+
+print("\n--- GRU 모델 구조 ---")
+gru_model.summary()
+
+
+# 모델 학습
+history_gru = gru_model.fit(
+    x_train, y_train,
+    batch_size=batch_size,
+    epochs=epochs,
+    validation_data=(x_test, y_test)
+)
+
+# 모델 평가
+score_gru = gru_model.evaluate(x_test, y_test, verbose=0)
+print(f"\nGRU 모델 테스트 결과 -> Loss: {score_gru[0]:.4f}, Accuracy: {score_gru[1]:.4f}")
+
+
+# 학습된 GRU 모델 저장
+gru_model.save("gru_model.keras")
+print("GRU 모델이 'gru_model.keras' 파일로 저장되었습니다.")