Update stri.py

stri.py

@@ -38,22 +38,6 @@ annot = books['annotation']
 
 # Получение эмбеддингов аннотаций каждой книги в датасете
 max_len = 128
-# token_annot = annot.apply(lambda x: tokenizer.encode(x, add_special_tokens=True,
-#                                                      truncation=True, max_length=max_len))
-
-# padded = np.array([i + [0] * (max_len - len(i)) for i in token_annot.values])  # заполним недостающую длину нулями
-# attention_mask = np.where(padded != 0, 1, 0)  # создадим маску, отметим где есть значения а где пустота
-# # Переведем numpy массивы в тензоры PyTorch
-# input_ids = torch.tensor(padded, dtype=torch.long)
-# attention_mask = torch.tensor(attention_mask, dtype=torch.long)
-
-# book_embeddings = []
-# for inputs, attention_masks in zip(input_ids, attention_mask):
-#     with torch.no_grad():
-#         book_embedding = model(inputs.unsqueeze(0), attention_mask=attention_masks.unsqueeze(0))
-#         book_embedding = book_embedding[0][:, 0, :] #.detach().cpu().numpy()
-#         book_embeddings.append(np.squeeze(book_embedding))
-
 
 # Определение запроса пользователя
 query = st.text_input("Введите запрос")
@@ -74,7 +58,7 @@ if st.button('**Generating recommendations**'):
     
     with torch.no_grad():
         query_embedding = model(query_padded.unsqueeze(0), query_mask.unsqueeze(0))
-        query_embedding = query_embedding[0][:, 0, :] #.detach().cpu().numpy()
+        query_embedding = query_embedding[0][:, 0, :] 
     
     # Вычисление косинусного расстояния между эмбеддингом запроса и каждой аннотацией
     cosine_similarities = torch.nn.functional.cosine_similarity(