Update app.py

app.py

@@ -1,64 +1,59 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("GueuleDange/UnloTeach")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
+from transformers import AutoModelForCausalLM, AutoTokenizer
+import torch
+
+# Charger le modèle et le tokenizer depuis Hugging Face
+model_name = "GueuleDange/UnloTeach"  # Remplacez par le nom de votre modèle
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForCausalLM.from_pretrained(model_name)
+
+# Définir une fonction pour interagir avec le modèle
+def generate_text(prompt, max_tokens=100, temperature=0.7, top_p=0.95):
+    """
+    Génère une réponse à partir du modèle.
+    :param prompt: Le texte d'entrée.
+    :param max_tokens: Le nombre maximum de tokens à générer.
+    :param temperature: Le paramètre de température pour la génération.
+    :param top_p: Le paramètre de top-p (nucleus sampling).
+    :return: La réponse générée par le modèle.
+    """
+    # Encoder l'entrée
+    inputs = tokenizer(prompt, return_tensors="pt")
+
+    # Générer la réponse
+    outputs = model.generate(
+        inputs.input_ids,
+        max_length=max_tokens,
         temperature=temperature,
         top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface  
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
-)
-
-
-if __name__ == "__main__":
-    demo.launch()
+        do_sample=True,
+    )
+
+    # Décoder la réponse
+    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
+    return response
+
+# Créer l'interface Gradio
+with gr.Blocks() as demo:
+    gr.Markdown("# Interface pour interagir avec votre modèle")
+    
+    with gr.Row():
+        with gr.Column():
+            input_text = gr.Textbox(label="Entrez votre message", placeholder="Posez une question ou écrivez quelque chose...")
+            max_tokens = gr.Slider(minimum=10, maximum=500, value=100, step=10, label="Nombre maximum de tokens")
+            temperature = gr.Slider(minimum=0.1, maximum=1.0, value=0.7, step=0.1, label="Température")
+            top_p = gr.Slider(minimum=0.1, maximum=1.0, value=0.95, step=0.05, label="Top-p (nucleus sampling)")
+            submit_button = gr.Button("Générer")
+        
+        with gr.Column():
+            output_text = gr.Textbox(label="Réponse du modèle", interactive=False)
+
+    # Lier la fonction à l'interface
+    submit_button.click(
+        fn=generate_text,
+        inputs=[input_text, max_tokens, temperature, top_p],
+        outputs=output_text,
+    )
+
+# Lancer l'application
+demo.launch()