Create app.py

app.py

@@ -0,0 +1,97 @@
+#TSMS_app.py_V06
+#Fonctionne Bien
+
+# Import des bibliothèques nécessaires
+import gradio as gr
+from transformers import AutoTokenizer, AutoModelForCausalLM
+import requests
+import torch
+
+# Fonction pour charger le modèle et le tokenizer
+def load_model(model_name):
+    """Charge le modèle et le tokenizer"""
+    model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
+    tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
+    return model, tokenizer
+
+# Fonction pour générer du texte en utilisant le modèle
+def generate_text(model, tokenizer, input_text, max_length, temperature):
+    """Génère du texte en utilisant le modèle"""
+    inputs = tokenizer(input_text, return_tensors="pt")
+    output = model.generate(**inputs, max_length=max_length, temperature=temperature)
+    return tokenizer.decode(output[0], skip_special_tokens=True)
+
+# Fonction principale pour générer le texte
+def main(input_text, max_length, temperature, model_name):
+    """Fonction principale pour générer le texte"""
+    global model, tokenizer
+    if model is None or tokenizer is None:
+        raise Exception("Modèle non chargé. Veuillez charger un modèle avant de générer du texte.")
+    generated_text = generate_text(model, tokenizer, input_text, max_length, temperature)
+    return generated_text
+
+# Variables globales pour stocker le modèle et le tokenizer
+model = None
+tokenizer = None
+
+# Fonction pour charger le modèle lors du clic sur le bouton "Charger Le Modèle"
+def load_model_button_clicked(model_name):
+    """Charge le modèle et le tokenizer lors du clic sur le bouton"""
+    global model, tokenizer
+    try:
+        model, tokenizer = load_model(model_name)
+        return f"Modèle {model_name} chargé avec succès"
+    except Exception as e:
+        return f"Erreur lors du chargement du modèle {model_name}: {e}"
+
+# Création de l'interface Gradio
+demo = gr.Blocks()
+
+with demo:
+    gr.Markdown("# Modèle de Langage")
+
+    with gr.Row():
+        # Textbox pour entrer le nom du modèle
+        model_name_textbox = gr.Textbox(label="Nom du modèle", value="prithivMLmods/Triangulum-1B", interactive=True)
+    with gr.Row():
+        # Bouton pour charger le modèle sélectionné
+        LoadModel_button = gr.Button("Charger Le Modèle")
+    
+    with gr.Row():
+        # Textbox pour entrer le texte d'entrée
+        input_text = gr.Textbox(label="Texte d'entrée")
+    with gr.Row():
+        # Sliders pour ajuster la longueur maximale et la température
+        max_length_slider = gr.Slider(50, 500, label="Longueur maximale", value=200)
+        temperature_slider = gr.Slider(0.1, 1.0, label="Température", value=0.7)
+
+    with gr.Row():
+        # Bouton pour soumettre le texte d'entrée
+        submit_button = gr.Button("Soumettre")
+
+    with gr.Row():        
+        # Textbox pour afficher le texte généré
+        output_text = gr.Textbox(label="Texte généré")
+
+    # Ajout des interactions pour les boutons
+    # Lors du clic sur "Charger Le Modèle", appeler la fonction load_model_button_clicked
+    LoadModel_button.click(
+        load_model_button_clicked,
+        inputs=model_name_textbox,
+        outputs=gr.Textbox(label="Message de chargement")
+    )
+    
+    # Lors du clic sur "Soumettre", appeler la fonction main
+    submit_button.click(
+        main,
+        inputs=[input_text, max_length_slider, temperature_slider, model_name_textbox],
+        outputs=output_text,
+        queue=False
+    )
+
+# Lancer l'application Gradio
+if __name__ == "__main__":
+    demo.launch()
+
+
+