auto / app.py
adel67460's picture
Upload app.py with huggingface_hub
d583187 verified
import gradio as gr
from train_interface import start_training
import os
from huggingface_hub import login
import json
from connect_huggingface import setup_huggingface
import sys
print("=== Démarrage de l'application ===")
print(f"Python version: {sys.version}")
print(f"Working directory: {os.getcwd()}")
# Charger la configuration
print("\nChargement de la configuration...")
with open('config.json', 'r') as f:
config = json.load(f)
def create_interface():
# Configurer Hugging Face
print("\nConfiguration de Hugging Face...")
if not setup_huggingface():
print("Erreur : Impossible de configurer Hugging Face")
# Interface Gradio
demo = gr.Interface(
fn=start_training,
inputs=[],
outputs=[
gr.Textbox(
label="Statut de l'entraînement",
lines=10,
interactive=False
),
gr.Markdown(
"""
### Logs d'entraînement
Les logs seront affichés ici pendant l'entraînement.
"""
)
],
title="AUTO Training Space",
description=f"""
### Configuration actuelle
- **Modèle** : {config['model']['name']}
- **Dataset** : {config['dataset']['name']}
- **Nombre d'époques** : {config['training']['epochs']}
### Format du dataset
Le dataset contient des exemples structurés avec :
- Une instruction (question utilisateur)
- Une entrée (contexte optionnel)
- Une sortie (réponse avec recommandations)
### Optimisations
- Utilisation de BF16 pour une meilleure performance
- Gestion optimisée des données avec pandas
""",
theme="huggingface",
allow_flagging="never"
)
return demo
if __name__ == "__main__":
print("\nCréation de l'interface...")
demo = create_interface()
print("\nLancement de l'application...")
demo.launch(
server_name="0.0.0.0",
server_port=7860,
show_api=False
)