app.py_03_OK

#BS_app.py_03
#Training OK But Need To Creat New Folder For Training Session

#testing bloom1b training

import gradio as gr
import os
from transformers import AutoModelForCausalLM, AutoTokenizer, Trainer, TrainingArguments, DataCollatorForLanguageModeling
from datasets import load_dataset, Dataset
from huggingface_hub import HfApi, HfFolder
import requests
from io import BytesIO

# Récupérer token depuis les variables d'environnement
hf_token = os.getenv("MisterAI_bigscience_bloom_560m")

# Configurer le token pour l'utilisation avec Hugging Face
if hf_token:
    HfFolder.save_token(hf_token)
else:
    raise ValueError("Le token Hugging Face n'est pas configuré. Assurez-vous qu'il est défini dans les variables d'environnement.")

# Chargement du modèle et du tokenizer
model_name = "MisterAI/bigscience_bloom-560m"
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# Fonction pour générer une réponse
def generate_response(input_text):
    inputs = tokenizer(input_text, return_tensors="pt")
    outputs = model.generate(**inputs, max_length=100)
    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return response

# Fonction pour le fine-tuning
#def fine_tune_model(dataset_path, dataset_file, epochs, batch_size, prefix):
#    # Chargement du dataset
#    if dataset_path.startswith("https://huggingface.co/datasets/"):
#        dataset = load_dataset('json', data_files={dataset_file: dataset_path})
#    else:
#        dataset = load_dataset('json', data_files={dataset_file: dataset_path})
#
#    # Préparation des données
#    dataset = Dataset.from_dict(dataset[dataset_file])
#    dataset = dataset.map(lambda x: tokenizer(x['question'] + ' ' + x['chosen'], truncation=True, padding='max_length'), batched=True)
#    dataset.set_format(type='torch', columns=['input_ids', 'attention_mask', 'labels'])
#
#    data_collator = DataCollatorForLanguageModeling(tokenizer=tokenizer, mlm=False)



def fine_tune_model(dataset_path, dataset_file, epochs, batch_size, prefix):
    import json  # Assurez-vous que json est importé

    # Récupération du fichier à partir de l'URL fournie
    response = requests.get(f"{dataset_path}/resolve/main/{dataset_file}")
    dataset_lines = response.text.strip().split('\n')

    # Convertir les lignes en dictionnaires pour JSONL
    dataset_dict = [json.loads(line) for line in dataset_lines if line]

    # Créer un Dataset Hugging Face
    dataset = Dataset.from_dict({
        'question': [item['question'] for item in dataset_dict],
        'chosen': [item['chosen'] for item in dataset_dict]
    })

    # Préparation des données
    def preprocess_function(examples):
        inputs = [q + ' ' + c for q, c in zip(examples['question'], examples['chosen'])]
        model_inputs = tokenizer(inputs, truncation=True, padding='max_length', max_length=512)
        model_inputs["labels"] = model_inputs["input_ids"].copy()
        return model_inputs

    dataset = dataset.map(preprocess_function, batched=True)
    dataset.set_format(type='torch', columns=['input_ids', 'attention_mask', 'labels'])

    data_collator = DataCollatorForLanguageModeling(tokenizer=tokenizer, mlm=False)

    # Configuration de l'entraînement
    training_args = TrainingArguments(
        output_dir=f"./{prefix}_{model_name.split('/')[-1]}",
        num_train_epochs=epochs,
        per_device_train_batch_size=batch_size,
        save_steps=10_000,
        save_total_limit=2,
        push_to_hub=False,  # Désactiver la création automatique de repo
        hub_token=hf_token,
    )

    trainer = Trainer(
        model=model,
        args=training_args,
        data_collator=data_collator,
        train_dataset=dataset,
    )

    # Lancement de l'entraînement
    trainer.train()

    # Sauvegarde du modèle avec un préfixe
    trainer.save_model(f"./{prefix}_{model_name.split('/')[-1]}")
    tokenizer.save_pretrained(f"./{prefix}_{model_name.split('/')[-1]}")

    # Push vers Hugging Face Hub avec le bon repo_id
    api = HfApi()
    api.upload_folder(
        folder_path=f"./{prefix}_{model_name.split('/')[-1]}",
        repo_id=model_name,  # Utiliser le même repo_id que le modèle original
        repo_type="model",
        token=hf_token,
    )

    return "Fine-tuning terminé et modèle sauvegardé."














# Interface Gradio
with gr.Blocks() as demo:
    with gr.Tab("Chatbot"):
        chat_interface = gr.Interface(
            fn=generate_response,
            inputs="text",
            outputs="text",
            title="Chat avec le modèle",
            description="Entrez votre message pour obtenir une réponse du modèle"
        )

    with gr.Tab("Fine-Tuning"):
        with gr.Row():
            dataset_path = gr.Textbox(label="Chemin du dataset")
            dataset_file = gr.Textbox(label="Nom du fichier du dataset")
            epochs = gr.Number(label="Nombre d'époques", value=1)
            batch_size = gr.Number(label="Taille du batch", value=2)
            prefix = gr.Textbox(label="Préfixe pour les fichiers sauvegardés")

            fine_tune_button = gr.Button("Lancer le Fine-Tuning")

        fine_tune_output = gr.Textbox(label="État du Fine-Tuning")

        fine_tune_button.click(
            fine_tune_model,
            inputs=[dataset_path, dataset_file, epochs, batch_size, prefix],
            outputs=fine_tune_output
        )

        
# Lancement de la démo
if __name__ == "__main__":
    demo.launch()