Update app.py

app.py

@@ -1,57 +1,38 @@
-from transformers import AutoModelForSequenceClassification, AutoTokenizer, Trainer, TrainingArguments, pipeline
-from datasets import load_dataset
+from transformers import pipeline, Conversation, ConversationalPipeline
 import gradio as gr
-import os
 
-# Charger le jeu de données SST-2
-dataset = load_dataset("glue", "sst2")
+# Charger le modèle GPT de Hugging Face
+model_id = "microsoft/DialoGPT-medium"  # Remplacez par le modèle souhaité
+chat_pipeline = pipeline("conversational", model=model_id)
 
-# Charger le modèle BERT pré-entraîné et le tokenizer associé
-model_name = "bert-base-uncased"
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=2)  # 2 classes : positif et négatif
-
-# Prétraitement des données
-def preprocess_function(examples):
-    return tokenizer(examples["sentence"], padding="max_length", truncation=True)
-
-encoded_dataset = dataset.map(preprocess_function, batched=True)
-
-# Configuration des arguments d'entraînement
-training_args = TrainingArguments(
-    per_device_train_batch_size=8,
-    evaluation_strategy="epoch",
-    logging_dir="./logs",
-    output_dir="./results",
-    num_train_epochs=3,
-)
-
-# Entraînement du modèle
-trainer = Trainer(
-    model=model,
-    args=training_args,
-    train_dataset=encoded_dataset["train"],
-    eval_dataset=encoded_dataset["validation"],
-)
-
-# Vérifiez si le modèle a déjà été entraîné et sauvegardé
-if not os.path.exists("./fine_tuned_model"):
-    trainer.train()
-    # Sauvegarder le modèle fine-tuné et le tokenizer
-    model.save_pretrained("./fine_tuned_model")
-    tokenizer.save_pretrained("./fine_tuned_model")
-else:
-    # Charger le modèle fine-tuné
-    model = AutoModelForSequenceClassification.from_pretrained("./fine_tuned_model")
-    tokenizer = AutoTokenizer.from_pretrained("./fine_tuned_model")
-
-# Créer un pipeline de classification des sentiments
-sentiment_analysis = pipeline("sentiment-analysis", model=model, tokenizer=tokenizer)
+# Consigne que le modèle suivra pour chaque chat
+system_message = "You are a helpful assistant that always responds in a friendly manner."
 
 # Fonction pour générer une réponse à partir du message de l'utilisateur
-def generate_response(message):
-    result = sentiment_analysis(message)[0]
-    return f"Label: {result['label']}, Score: {result['score']}"
+def generate_response(user_message, history):
+    # Ajouter le message système au début de l'historique des messages
+    messages = [{"role": "system", "content": system_message}] + [{"role": "user", "content": user_message}]
+    
+    # Créer une conversation avec l'historique des messages
+    conversation = Conversation()
+    for message in messages:
+        if message["role"] == "user":
+            conversation.add_user_input(message["content"])
+        else:
+            conversation.append_response(message["content"])
+
+    # Générer une réponse
+    result = chat_pipeline(conversation)
+    response = result.generated_responses[-1]
+    history.append((user_message, response))
+    return history, response
 
 # Configurer et lancer l'interface de chat avec Gradio
-gr.ChatInterface(fn=generate_response).launch()
+iface = gr.Interface(
+    fn=generate_response,
+    inputs=["text", "state"],
+    outputs=["state", "text"],
+    live=True,
+)
+
+iface.launch()