Update README.md

README.md

@@ -130,4 +130,190 @@ Utilisez la fonction d'entraînement (`train()`) de Nac-1 avec vos nouveaux mod
 
   * `nac1_final_weights.pth`: Fichier binaire PyTorch contenant les poids optimisés.
   * `nac1_vocab.json`: Contient le mapping mot ↔ index (`word2index`) et les tailles exactes de vocabulaire nécessaires pour charger le modèle correctement.
-  * `README.md`: Ce fichier.
+  * `README.md`: Ce fichier.
+    
+**Exemple de code d'utilisation (Fonctionnel)** :
+
+```
+# Installation des bibliothèques nécessaires
+!pip install huggingface_hub
+
+import torch
+import torch.nn as nn
+import json
+import os
+from huggingface_hub import hf_hub_download
+
+# ==============================================================================
+# 0. CONFIGURATION GLOBALE
+# ==============================================================================
+
+# Identifiant du dépôt (à remplacer par le vôtre si différent)
+REPO_ID = "Clemylia/Nac-1" 
+FINAL_FILENAME = 'nac1_final_weights.pth'
+VOCAB_FILENAME = "nac1_vocab.json"
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+HIDDEN_SIZE = 256 # Doit correspondre à la taille utilisée lors de l'entraînement
+
+# Tokens Spéciaux (doivent être les mêmes que ceux utilisés dans le vocabulaire)
+SOS_token = 0 
+EOS_token = 1
+
+# ==============================================================================
+# 1. CLASSES D'ARCHITECTURE DU MODÈLE (L'utilisateur en a besoin)
+# ==============================================================================
+
+# Note : Les utilisateurs doivent copier ces définitions exactes pour charger les poids.
+
+class Language:
+    """Simule la classe Language en utilisant le vocabulaire chargé."""
+    def __init__(self, name, word2index, index2word):
+        self.name = name
+        self.word2index = word2index
+        self.index2word = index2word
+        self.n_words = len(word2index)
+
+class EncoderRNN(nn.Module):
+    def __init__(self, input_size, hidden_size):
+        super().__init__()
+        self.hidden_size = hidden_size
+        self.embedding = nn.Embedding(input_size, hidden_size)
+        self.lstm = nn.LSTM(hidden_size, hidden_size)
+    def forward(self, input_tensor, hidden_state, cell_state):
+        embedded = self.embedding(input_tensor).view(1, 1, -1)
+        output, (hidden_state, cell_state) = self.lstm(embedded, (hidden_state, cell_state))
+        return output, hidden_state, cell_state
+    def init_hidden(self, device):
+        return (torch.zeros(1, 1, self.hidden_size, device=device),
+                torch.zeros(1, 1, self.hidden_size, device=device))
+
+class DecoderRNN(nn.Module):
+    def __init__(self, hidden_size, output_size):
+        super().__init__()
+        self.hidden_size = hidden_size
+        self.embedding = nn.Embedding(output_size, hidden_size)
+        self.lstm = nn.LSTM(hidden_size, hidden_size)
+        self.out = nn.Linear(hidden_size, output_size)
+        self.softmax = nn.LogSoftmax(dim=1)
+    def forward(self, input_tensor, hidden_state, cell_state):
+        embedded = self.embedding(input_tensor).view(1, 1, -1)
+        output, (hidden_state, cell_state) = self.lstm(embedded, (hidden_state, cell_state))
+        output = self.softmax(self.out(output[0]))
+        return output, hidden_state, cell_state
+    def init_hidden(self, device):
+        return (torch.zeros(1, 1, self.hidden_size, device=device),
+                torch.zeros(1, 1, self.hidden_size, device=device))
+
+
+# ==============================================================================
+# 2. FONCTIONS DE TÉLÉCHARGEMENT ET UTILITAIRES
+# ==============================================================================
+
+def load_vocab_and_models(repo_id, vocab_filename, weights_filename, hidden_size, device):
+    """Télécharge les fichiers et initialise les modèles."""
+    print(f"Téléchargement des fichiers depuis {repo_id}...")
+    
+    # 1. Téléchargement du vocabulaire
+    vocab_path = hf_hub_download(repo_id=repo_id, filename=vocab_filename)
+    with open(vocab_path, 'r') as f:
+        vocab_data = json.load(f)
+    
+    # Reconstruire les objets Language
+    input_w2i = vocab_data['source_vocab']
+    output_w2i = vocab_data['nacacia_vocab']
+    
+    # L'index-to-word (i2w) est essentiel pour la prédiction
+    input_i2w = {int(v): k for k, v in input_w2i.items()}
+    output_i2w = {int(v): k for k, v in output_w2i.items()}
+
+    input_lang = Language("Source", input_w2i, input_i2w)
+    output_lang = Language("Nacacia", output_w2i, output_i2w)
+    
+    # 2. Initialisation des modèles
+    encoder = EncoderRNN(input_lang.n_words, hidden_size).to(device)
+    decoder = DecoderRNN(hidden_size, output_lang.n_words).to(device)
+    
+    # 3. Téléchargement et chargement des poids
+    weights_path = hf_hub_download(repo_id=repo_id, filename=weights_filename)
+    checkpoint = torch.load(weights_path, map_location=device)
+    
+    encoder.load_state_dict(checkpoint['encoder_state_dict'])
+    decoder.load_state_dict(checkpoint['decoder_state_dict'])
+    
+    encoder.eval() # Mode évaluation
+    decoder.eval()
+    
+    print("✅ Modèle Nac-1 chargé et prêt pour l'inférence.")
+    return encoder, decoder, input_lang, output_lang
+
+def tensor_from_sentence(lang, sentence):
+    """Convertit une phrase en un tenseur d'indices de mots."""
+    # S'assurer que tous les mots sont connus
+    try:
+        indexes = [lang.word2index[word] for word in sentence.split(' ')]
+    except KeyError as e:
+        raise ValueError(f"Le mot '{e.args[0]}' n'est pas dans le vocabulaire connu du modèle. Échec.")
+        
+    indexes.append(EOS_token)
+    return torch.tensor(indexes, dtype=torch.long, device=device).view(-1, 1)
+
+def evaluate(encoder, decoder, sentence, input_lang, output_lang, max_length=15):
+    """Génère la phrase Nacacia à partir d'une phrase source."""
+    with torch.no_grad():
+        try:
+            input_tensor = tensor_from_sentence(input_lang, sentence.lower().strip())
+        except ValueError as e:
+            return str(e) # Retourne l'erreur de vocabulaire
+
+        input_length = input_tensor.size(0)
+        encoder_hidden, encoder_cell = encoder.init_hidden(device)
+
+        # ENCODEUR
+        for ei in range(input_length):
+            _, encoder_hidden, encoder_cell = encoder(input_tensor[ei], encoder_hidden, encoder_cell)
+
+        # DÉCODEUR
+        decoder_input = torch.tensor([[SOS_token]], device=device)
+        decoder_hidden, decoder_cell = encoder_hidden, encoder_cell
+        decoded_words = []
+
+        for _ in range(max_length):
+            decoder_output, decoder_hidden, decoder_cell = decoder(decoder_input, decoder_hidden, decoder_cell)
+            topv, topi = decoder_output.data.topk(1)
+            predicted_index = topi.item()
+            
+            if predicted_index == EOS_token: break
+            
+            decoded_words.append(output_lang.index2word[predicted_index])
+            decoder_input = torch.tensor([[predicted_index]], device=device)
+        
+        return ' '.join(decoded_words)
+
+# ==============================================================================
+# 3. EXÉCUTION POUR L'UTILISATEUR
+# ==============================================================================
+
+if __name__ == "__main__":
+    
+    # 1. Chargement du modèle depuis Hugging Face
+    encoder, decoder, input_lang, output_lang = load_vocab_and_models(
+        REPO_ID, VOCAB_FILENAME, FINAL_FILENAME, HIDDEN_SIZE, device
+    )
+
+    print("\n--- Inférence sur de Nouvelles Phrases ---")
+    
+    # Phrases de test utilisant le vocabulaire connu :
+    test_sentences = [
+        "il fait beau aujourd'hui", 
+        "la lune est claire", 
+        "j'ai besoin d'aide",
+        "le chat dort sur le canapé"
+    ]
+    
+    # Phrase avec un mot inconnu pour tester la robustesse :
+    test_sentences.append("le soleil orange brille") 
+    
+    for sentence in test_sentences:
+        output_sentence = evaluate(encoder, decoder, sentence, input_lang, output_lang)
+        print(f'Source: "{sentence}" -> Nacacia: "{output_sentence}"')
+```