Update app.py

app.py

@@ -2,17 +2,52 @@ import gradio as gr
 import subprocess
 import threading
 import time
+from huggingface_hub import InferenceClient
+
+# Définir la fonction `respond` avant de l'utiliser
+client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
+
+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,
+        temperature=temperature,
+        top_p=top_p,
+    ):
+        token = message.choices[0].delta.content
+        response += token
+        yield response
 
 # Fonction pour lancer train.py en arrière-plan
 def train_model():
-    process = subprocess.Popen(["python", "trainer.py"], stdout=subprocess.PIPE, stderr=subprocess.PIPE)
+    process = subprocess.Popen(["python", "train.py"], stdout=subprocess.PIPE, stderr=subprocess.PIPE)
     stdout, stderr = process.communicate()
-    return stdout.decode() + "\n" + stderr.decode()  # Retourne les logs
+    return stdout.decode() + "\n" + stderr.decode()  # Retourne les logs d'entraînement
 
-# Démarrer l'entraînement en arrière-plan
+# Lancer l'entraînement en arrière-plan
 threading.Thread(target=train_model, daemon=True).start()
 
-# ✅ Assurer que Gradio démarre bien après un court délai
+# ✅ Ajout d'un délai pour éviter les conflits au démarrage
 time.sleep(3)
 
 # Interface Gradio