File size: 6,404 Bytes
2efd55d 9191425 2efd55d 6f00959 8e2398b b80bc67 d9e70ef 6f00959 271e2f8 2efd55d 271e2f8 2efd55d 271e2f8 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 |
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, AutoModelForSeq2SeqLM
import logging
import re
import os
app = FastAPI()
# Enable CORS if needed
from fastapi.middleware.cors import CORSMiddleware
app.add_middleware(
CORSMiddleware,
allow_origins=["*"], # In production, restrict this to your frontend URL
allow_credentials=True,
allow_methods=["POST"],
allow_headers=["*"],
)
logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO)
####################################
# Text Generation Endpoint
####################################
HF_TOKEN = os.getenv("manhal")
TEXT_MODEL_NAME = "aubmindlab/aragpt2-mega"
text_tokenizer = AutoTokenizer.from_pretrained(TEXT_MODEL_NAME, token = HF_TOKEN,trust_remote_code=True)
text_model = AutoModelForCausalLM.from_pretrained(TEXT_MODEL_NAME, token = HF_TOKEN, trust_remote_code=True)
general_prompt_template = """
أنت الآن نموذج لغة مخصص لتوليد نصوص عربية تعليمية بناءً على المادة والمستوى التعليمي. سيتم إعطاؤك مادة تعليمية ومستوى تعليمي، وعليك إنشاء نص مناسب بناءً على ذلك. النص يجب أن يكون:
1. واضحًا وسهل الفهم.
2. مناسبًا للمستوى التعليمي المحدد.
3. مرتبطًا بالمادة التعليمية المطلوبة.
4. قصيرًا ومباشرًا.
### أمثلة:
1. المادة: العلوم
المستوى: الابتدائي
النص: النباتات كائنات حية تحتاج إلى الماء والهواء وضوء الشمس لتنمو. بعض النباتات تنتج أزهارًا وفواكه. النباتات تساعدنا في الحصول على الأكسجين.
2. المادة: التاريخ
المستوى: المتوسط
النص: التاريخ هو دراسة الماضي وأحداثه المهمة. من خلال التاريخ، نتعلم عن الحضارات القديمة مثل الحضارة الفرعونية والحضارة الإسلامية. التاريخ يساعدنا على فهم تطور البشرية.
3. المادة: الجغرافيا
المستوى: المتوسط
النص: الجغرافيا هي دراسة الأرض وخصائصها. نتعلم عن القارات والمحيطات والجبال. الجغرافيا تساعدنا على فهم العالم من حولنا.
---
المادة: {المادة}
المستوى: {المستوى}
اكتب نصًا مناسبًا بناءً على المادة والمستوى المحددين. ركّز على جعل النص بسيطًا وواضحًا للمستوى المطلوب.
"""
class GenerateTextRequest(BaseModel):
المادة: str
المستوى: str
@app.post("/generate-text")
def generate_text(request: GenerateTextRequest):
if not request.المادة or not request.المستوى:
raise HTTPException(status_code=400, detail="المادة والمستوى مطلوبان.")
try:
prompt = general_prompt_template.format(المادة=request.المادة, المستوى=request.المستوى)
inputs = text_tokenizer(prompt, return_tensors="pt", max_length=1024, truncation=True)
with torch.no_grad():
outputs = text_model.generate(
inputs.input_ids,
max_length=300,
num_return_sequences=1,
temperature=0.7,
top_p=0.95,
do_sample=True,
)
generated_text = text_tokenizer.decode(outputs[0], skip_special_tokens=True).replace(prompt, "").strip()
logger.info(f"Generated text: {generated_text}")
return {"generated_text": generated_text}
except Exception as e:
logger.error(f"Error during text generation: {str(e)}")
raise HTTPException(status_code=500, detail=f"Error during text generation: {str(e)}")
####################################
# Question & Answer Generation Model
####################################
QA_MODEL_NAME = "Mihakram/AraT5-base-question-generation"
qa_tokenizer = AutoTokenizer.from_pretrained(QA_MODEL_NAME, token = HF_TOKEN, trust_remote_code=True)
qa_model = AutoModelForSeq2SeqLM.from_pretrained(QA_MODEL_NAME, token = HF_TOKEN, trust_remote_code=True)
def extract_answer(context: str) -> str:
"""Extract the first sentence (or a key phrase) from the context."""
sentences = re.split(r'[.!؟]', context)
sentences = [s.strip() for s in sentences if s.strip()]
return sentences[0] if sentences else context
def get_question(context: str, answer: str) -> str:
"""Generate a question based on the context and the candidate answer."""
text = f"النص: {context} الإجابة: {answer} </s>"
text_encoding = qa_tokenizer.encode_plus(text, return_tensors="pt")
with torch.no_grad():
generated_ids = qa_model.generate(
input_ids=text_encoding['input_ids'],
attention_mask=text_encoding['attention_mask'],
max_length=64,
num_beams=5,
num_return_sequences=1
)
question = qa_tokenizer.decode(generated_ids[0], skip_special_tokens=True).replace("question:", "").strip()
return question
class GenerateQARequest(BaseModel):
text: str
@app.post("/generate-qa")
def generate_qa(request: GenerateQARequest):
if not request.text:
raise HTTPException(status_code=400, detail="Text is required.")
try:
question, answer = get_question(request.text, extract_answer(request.text))
logger.info(f"Generated QA -> Question: {question}, Answer: {answer}")
return {"question": question, "answer": answer}
except Exception as e:
logger.error(f"Error during QA generation: {str(e)}")
raise HTTPException(status_code=500, detail=f"Error during QA generation: {str(e)}")
####################################
# Root Endpoint
####################################
@app.get("/")
def read_root():
return {"message": "Welcome to the Arabic Text Generation API!"}
####################################
# Running the FastAPI Server
####################################
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=7860)
|