前兩天先把原本的關鍵字評分換成模型，再加強一下，讓模型可以說出他對這個結果有多有信心，以及解釋是怎麼評分的，但因為都是另外跑的，還沒有接回我原本的情緒日記網站。
所以今天的目標就是要把模型放上雲端且接回情緒日記！

開發過程紀錄

1. 從 Render 到 Hugging Face Docker

一開始我嘗試把情緒模型丟到 Render，結果碰到一個很硬的限制：
免費方案記憶體只有 512MB，每次模型一載入就直接 OOM（Out of Memory），服務根本啟不動

我試了各種方法壓縮、調參，甚至只開單 worker，還是會在載模型的瞬間爆掉。這讓我意識到，Render 免費方案根本撐不住 NLP 模型，而我錢包空空不想付錢

最後我決定直接搬到 Hugging Face Spaces（Docker Runtime），好處是：

1. 可以完全掌控 main.py 的推論邏輯（加解釋、改 threshold、加 bias 都行）
2. HF 幫忙處理自動 build / cache，不用自己維護 VM
3. 記憶體夠用，前端直接打 https://xxx.hf.space/infer 就能拿到 JSON

搬到 Hugging Face Docker 之後就順了許多；載入不再爆記憶體，前端打 API 也單純，終於能好好睡一覺（部署那天真的被來回修到崩潰 QQ）

2. UI 強化

前端日記清單上，原本只有一個單色的情緒標籤。現在我加上：
百分比數字：直接看到信心，例如「負向 84%」
顏色深淺：信心高的標籤更飽和

關鍵詞標籤：小圓角 Tag，hover 可以看到貢獻度

整體感覺比之前「黑箱判斷」更透明。

今天算是一個重要的里程碑：不只是讓情緒模型「能跑」，而是「能解釋」，而且還能 在 Hugging Face 上用 Docker 部署，讓它像一個正式的雲端服務一樣穩定運行。也會顯示關鍵字讓使用者知道模型是根據什麼判定的（但其實我還是覺得很多時候它很不準，真的不知道是模型太笨還是我太笨，我會再慢慢嘗試調整模型）

明日預告

明天要來做語音輸入，不改後端、不碰模型，單純把日記頁加一顆麥克風按鈕。按下去就用瀏覽器的 Web Speech API（先鎖 zh-TW）開始聽，畫面顯示「錄音中」的小動態；放開就把逐字稿直接塞進輸入框（先不自動儲存，避免亂沖內容）。情緒分析的串接等 Day 26 之後再來～