app.py_07_NOK

#BS_app.py_07
#Training OK - Correct Upload Training File

#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
import json

# 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, split, colonne_input_ids, colonne_attention_mask, colonne_labels, epochs, batch_size):
#    # 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({
#        colonne_input_ids: [item[colonne_input_ids] for item in dataset_dict],
#        colonne_attention_mask: [item.get(colonne_attention_mask, "") for item in dataset_dict],
#        colonne_labels: [item.get(colonne_labels, "") for item in dataset_dict]
#    })
#
#    # Préparation des données
#    def preprocess_function(examples):
#        inputs = [p +'' + c for p, c in zip(examples[colonne_input_ids], examples[colonne_attention_mask])]
#        model_inputs = tokenizer(inputs, truncation=True, padding='max_length', max_length=2048)
#        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)


def fine_tune_model(dataset_path, dataset_file, split, colonne_input_ids, colonne_attention_mask, colonne_labels, epochs, batch_size):

    # Récupération du fichier à partir de l'URL fournie
#    dataset = load_dataset(dataset_path, data_files={dataset_file: dataset_file})
#    dataset = load_dataset(dataset_path, dataset_file)
    dataset = load_dataset(dataset_path, dataset_file, split, colonne_input_ids, colonne_attention_mask, colonne_labels)

    # Chargement des données dans un dictionnaire
    dataset_dict = [item for item in dataset]

    # Créer un Dataset Hugging Face
    dataset = Dataset.from_dict({
        colonne_input_ids: [item[colonne_input_ids] for item in dataset_dict],
        colonne_attention_mask: [item.get(colonne_attention_mask, "") for item in dataset_dict],
        colonne_labels: [item.get(colonne_labels, "") for item in dataset_dict]
    })


    # Préparation des données
    def preprocess_function(examples):    
        inputs = [p +'' + c for p, c in zip(examples[colonne_input_ids], examples[colonne_attention_mask])]    
        model_inputs = tokenizer(inputs, truncation=True, padding='max_length', max_length=2048)    
        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="./",
        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
    trainer.save_model("./")
    tokenizer.save_pretrained("./")

    # Push vers Hugging Face Hub
    api = HfApi()
    api.upload_folder(
        folder_path="./",
        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", placeholder="https://huggingface.co/datasets/MisterAI/SimpleSmallFrenchQA")
            dataset_file = gr.Textbox(label="Nom du fichier du dataset", placeholder="Dataset02_01L_QR_256_Francais.jsonl")

        with gr.Row():
            split = gr.Textbox(label="Split (si applicable)")
            colonne_input_ids = gr.Textbox(label="Colonne input_ids")
            colonne_attention_mask = gr.Textbox(label="Colonne attention_mask")
            colonne_labels = gr.Textbox(label="Colonne labels (si applicable)")

        with gr.Row():
            load_button = gr.Button("Charger Le DataSet")
        with gr.Row():
             load_output = gr.Textbox(label="État du chargement du DataSet")

        with gr.Row():
            epochs = gr.Number(label="Nombre d'époques", value=1)
            batch_size = gr.Number(label="Taille du batch", value=2)

        with gr.Row():
            fine_tune_button = gr.Button("Lancer Le Fine-Tuning")
        with gr.Row():
            fine_tune_output = gr.Textbox(label="État du Fine-Tuning")

        def load_dataset(dataset_path, dataset_file, split, colonne_input_ids, colonne_attention_mask, colonne_labels):
            try:
                response = requests.get(f"{dataset_path}/resolve/main/{dataset_file}")
                dataset_lines = response.text.strip().split('\n')
                dataset_dict = [json.loads(line) for line in dataset_lines if line]
                return "DataSet chargé avec succès"
            except Exception as e:
                return str(e)

        load_button.click(
            load_dataset,
            inputs=[dataset_path, dataset_file, split, colonne_input_ids, colonne_attention_mask, colonne_labels],
            outputs=load_output
        )

        fine_tune_button.click(
            fine_tune_model,
            inputs=[dataset_path, dataset_file, split, colonne_input_ids, colonne_attention_mask, colonne_labels, epochs, batch_size],
            outputs=fine_tune_output
        )

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