Update app.py

app.py

@@ -6,7 +6,7 @@ import gradio as gr
 import datetime
 import os
 
-# 🟡 ورود به حساب Hugging Face با استفاده از سکرت
+# ورود با سکرت
 hf_token = os.environ.get("new_hf")
 login(token=hf_token)
 
@@ -21,7 +21,7 @@ label_map = {
     6: "میگرن"
 }
 
-# مدل تشخیص بیماری (BERT)
+# مدل BERT تشخیص بیماری
 bert_model_id = "diginoron/bert-medical-fa"
 bert_tokenizer = AutoTokenizer.from_pretrained(bert_model_id)
 bert_model = AutoModelForSequenceClassification.from_pretrained(bert_model_id)
@@ -37,7 +37,7 @@ gemma_model = AutoModelForCausalLM.from_pretrained(
 )
 gemma_model.eval()
 
-# تابع تحلیل علائم و تولید توضیح
+# تابع اصلی با Indicator
 def predict_and_explain(symptoms):
     inputs = bert_tokenizer(symptoms, return_tensors="pt")
     with torch.no_grad():
@@ -48,7 +48,7 @@ def predict_and_explain(symptoms):
         prediction = prediction.item()
 
     if confidence < 0.5:
-        return "❌ تشخیص قطعی داده نشد. لطفاً با پزشک مشورت کنید.", ""
+        return "❌ تشخیص قطعی داده نشد. لطفاً با پزشک مشورت کنید.", "", gr.update(visible=False)
 
     diagnosis = label_map[prediction]
     diagnosis_text = f"✅ احتمالاً شما دچار {diagnosis} هستید. (اطمینان: {round(confidence * 100, 1)}٪)"
@@ -62,16 +62,17 @@ def predict_and_explain(symptoms):
     with torch.no_grad():
         output = gemma_model.generate(
             **inputs,
-            max_new_tokens=300,
+            max_new_tokens=150,
             do_sample=True,
             top_p=0.9,
-            temperature=0.7
+            temperature=0.7,
+            use_cache=True
         )
 
     explanation = gemma_tokenizer.decode(output[0], skip_special_tokens=True)
     explanation = explanation.replace(prompt, "").strip()
 
-    return diagnosis_text, explanation
+    return diagnosis_text, explanation, gr.update(visible=False)
 
 # رابط Gradio
 with gr.Blocks(css="body { font-family: Vazirmatn, sans-serif; background-color: #111827; color: #f3f4f6; } .gr-button { font-weight: bold; }") as demo:
@@ -79,16 +80,25 @@ with gr.Blocks(css="body { font-family: Vazirmatn, sans-serif; background-color:
 
     with gr.Row():
         inp = gr.Textbox(placeholder="مثلاً: سرفه خشک، تب، گلودرد", label="علائم شما")
+
     with gr.Row():
         out1 = gr.Textbox(label="نتیجه تشخیص اولیه")
     with gr.Row():
         out2 = gr.Textbox(label="توضیح بیماری و پیشنهادات اولیه")
 
+    with gr.Row():
+        status = gr.Markdown("⏳ لطفاً منتظر بمانید...", visible=False)
+
     btn = gr.Button("🔍 بررسی و تحلیل علائم")
     clr = gr.Button("🧹 پاک کردن همه موارد")
 
-    btn.click(fn=predict_and_explain, inputs=inp, outputs=[out1, out2])
-    clr.click(fn=lambda: ("", "", ""), inputs=[], outputs=[inp, out1, out2])
+    # هنگام کلیک، وضعیت به visible و پس از اجرا به invisible
+    def wrapper(symptoms):
+        status.update(visible=True)
+        return predict_and_explain(symptoms)
+
+    btn.click(fn=predict_and_explain, inputs=inp, outputs=[out1, out2, status])
+    clr.click(fn=lambda: ("", "", gr.update(visible=False)), inputs=[], outputs=[inp, out1, out2, status])
 
     gr.Markdown(f"""
     ---