File size: 6,473 Bytes
a114c8b | 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 | import os
import sys
import sqlite3
from datasets import Dataset, DatasetDict
from transformers import AutoTokenizer, AutoModelForSequenceClassification, Trainer, TrainingArguments
SUPPORTED_FILE_TYPES = ['.sh', '.bat', '.ps1', '.cs', '.c', '.cpp', '.h', '.cmake', '.py', '.git', '.sql', '.csv', '.sqlite', '.lsl']
def extrahiere_parameter(file_path):
try:
with open(file_path, 'r', encoding='utf-8') as file:
lines = file.readlines()
anzahl_zeilen = len(lines)
anzahl_zeichen = sum(len(line) for line in lines)
long_text_mode = anzahl_zeilen > 1000
dimensionalität = 1 # Beispielwert, kann angepasst werden
return {
"text": file_path,
"anzahl_zeilen": anzahl_zeilen,
"anzahl_zeichen": anzahl_zeichen,
"long_text_mode": long_text_mode,
"dimensionalität": dimensionalität
}
except UnicodeDecodeError as e:
print(f"Fehler beim Lesen der Datei {file_path}: {e}")
return None
except Exception as e:
print(f"Allgemeiner Fehler beim Lesen der Datei {file_path}: {e}")
return None
def durchsuchen_und_extrahieren(root_dir, db_pfad):
try:
with sqlite3.connect(db_pfad) as conn:
cursor = conn.cursor()
cursor.execute('''CREATE TABLE IF NOT EXISTS dateiparameter
(id INTEGER PRIMARY KEY,
dateipfad TEXT,
anzahl_zeilen INTEGER,
anzahl_zeichen INTEGER,
long_text_mode BOOLEAN,
dimensionalität INTEGER)''')
for subdir, _, files in os.walk(root_dir):
for file in files:
if any(file.endswith(ext) for ext in SUPPORTED_FILE_TYPES):
file_path = os.path.join(subdir, file)
parameter = extrahiere_parameter(file_path)
if parameter:
cursor.execute('''INSERT INTO dateiparameter (dateipfad, anzahl_zeilen, anzahl_zeichen, long_text_mode, dimensionalität)
VALUES (?, ?, ?, ?, ?)''', (file_path, parameter["anzahl_zeilen"], parameter["anzahl_zeichen"], parameter["long_text_mode"], parameter["dimensionalität"]))
conn.commit()
print("Parameter erfolgreich extrahiert und in der Datenbank gespeichert.")
except sqlite3.Error as e:
print(f"SQLite Fehler: {e}")
except Exception as e:
print(f"Allgemeiner Fehler: {e}")
def extrahiere_parameter_aus_db(db_pfad):
try:
with sqlite3.connect(db_pfad) as conn:
cursor = conn.cursor()
cursor.execute("SELECT * FROM dateiparameter")
daten = cursor.fetchall()
return daten
except sqlite3.Error as e:
print(f"SQLite Fehler: {e}")
return None
except Exception as e:
print(f"Allgemeiner Fehler: {e}")
return None
def konvertiere_zu_hf_dataset(daten):
dataset_dict = {
"text": [],
"anzahl_zeilen": [],
"anzahl_zeichen": [],
"long_text_mode": [],
"dimensionalität": []
}
for eintrag in daten:
dataset_dict["text"].append(eintrag[1]) # 'text' entspricht 'dateipfad'
dataset_dict["anzahl_zeilen"].append(eintrag[2])
dataset_dict["anzahl_zeichen"].append(eintrag[3])
dataset_dict["long_text_mode"].append(eintrag[4])
dataset_dict["dimensionalität"].append(eintrag[5])
return Dataset.from_dict(dataset_dict)
def trainiere_und_speichere_modell(hf_dataset, output_model_dir):
try:
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased", use_fast=True)
def tokenize_function(examples):
return tokenizer(examples["text"], padding="max_length", truncation=True)
tokenized_datasets = hf_dataset.map(tokenize_function, batched=True)
# Beispielhaftes Hinzufügen von Dummy-Labels für das Training
tokenized_datasets = tokenized_datasets.map(lambda examples: {"label": [0.0] * len(examples["text"])}, batched=True) # Dummy labels as float
# Aufteilen des Datensatzes in Training und Test
train_test_split = tokenized_datasets.train_test_split(test_size=0.2)
train_dataset = train_test_split["train"]
eval_dataset = train_test_split["test"]
num_labels = len(set(train_dataset["label"]))
model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=num_labels)
training_args = TrainingArguments(
output_dir=output_model_dir,
evaluation_strategy="epoch", # Aktualisiert nach der Deprecation-Warnung
per_device_train_batch_size=8,
per_device_eval_batch_size=8,
num_train_epochs=3,
weight_decay=0.01,
)
trainer = Trainer(
model=model,
args=training_args,
train_dataset=train_dataset,
eval_dataset=eval_dataset,
)
trainer.train()
model.save_pretrained(output_model_dir)
tokenizer.save_pretrained(output_model_dir)
print(f"Das Modell wurde erfolgreich in {output_model_dir} gespeichert.")
print("You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.")
except Exception as e:
print(f"Fehler beim Trainieren und Speichern des Modells: {e}")
if __name__ == "__main__":
# Verzeichnispfad als Argument übergeben, falls vorhanden
if len(sys.argv) > 1:
directory_path = sys.argv[1]
else:
directory_path = '.' # Standardverzeichnis, falls kein Argument übergeben wurde
db_name = os.path.basename(os.path.normpath(directory_path)) + '.db'
durchsuchen_und_extrahieren(directory_path, db_name)
daten = extrahiere_parameter_aus_db(db_name)
if daten:
hf_dataset = konvertiere_zu_hf_dataset(daten)
output_model = os.path.basename(os.path.normpath(directory_path)) + '_model' # Verzeichnisname Modell
output_model_dir = os.path.join(os.path.dirname(db_name), output_model)
trainiere_und_speichere_modell(hf_dataset, output_model_dir)
else:
print("Keine Daten gefunden, um ein HF-Dataset zu erstellen.")
|