Create README.md

README.md

@@ -0,0 +1,110 @@
+---
+license: apache-2.0
+datasets:
+- fka/awesome-chatgpt-prompts
+language:
+- ak
+metrics:
+- cer
+base_model:
+- Qwen/Qwen2-VL-7B-Instruct
+new_version: mattshumer/Reflection-Llama-3.1-70B
+pipeline_tag: text2text-generation
+library_name: bertopic
+tags:
+- code
+---
+import gradio as gr
+from transformers import pipeline, GPT2Tokenizer, GPT2LMHeadModel
+import torch
+from datetime import datetime
+
+# Laad GPT-2 model en tokenizer voor meer controle
+model_name = "gpt2"
+model = GPT2LMHeadModel.from_pretrained(model_name)
+tokenizer = GPT2Tokenizer.from_pretrained(model_name)
+
+# Zet het model in evaluatie-modus
+model.eval()
+
+# Functie om de tokenslimiet in de gaten te houden
+def manage_token_limit(history, max_tokens=1000):
+    # Check of de geschiedenis te groot wordt
+    tokenized_history = tokenizer.encode(history)
+    if len(tokenized_history) > max_tokens:
+        # Trim de geschiedenis
+        return tokenizer.decode(tokenized_history[-max_tokens:])
+    else:
+        return history
+
+# Functie om AI-respons te genereren met context
+def generate_response(user_input, chat_history, temperature=0.7, top_k=50, top_p=0.9, max_length=100):
+    # Voeg user input toe aan de geschiedenis
+    new_history = chat_history + f"\nUser: {user_input}\nAI:"
+    
+    # Trim de geschiedenis als die te lang is
+    new_history = manage_token_limit(new_history)
+    
+    # Tokeniseer de geschiedenis
+    inputs = tokenizer.encode(new_history, return_tensors='pt')
+    
+    # Genereer tekst met variatie in temperatuur en top-k sampling
+    outputs = model.generate(inputs, max_length=max_length, temperature=temperature, 
+                             top_k=top_k, top_p=top_p, pad_token_id=tokenizer.eos_token_id)
+    
+    # Decodeer de output en voeg deze toe aan de geschiedenis
+    generated_text = tokenizer.decode(outputs[:, inputs.shape[-1]:][0], skip_special_tokens=True)
+    
+    new_history += generated_text + "\n"
+    
+    return generated_text, new_history
+
+# Functie voor het loggen van conversaties
+def log_conversation(user_input, response):
+    # Simpele logging naar een bestand
+    with open("chat_logs.txt", "a") as log_file:
+        log_file.write(f"{datetime.now()} | User: {user_input} | AI: {response}\n")
+
+# Gradio interface-functie die interactie en instellingen beheert
+def chatbot_interface(user_input, chat_history, temperature=0.7, top_k=50, top_p=0.9):
+    # Genereer AI-reactie
+    ai_response, updated_history = generate_response(user_input, chat_history, temperature, top_k, top_p)
+    
+    # Log de conversatie
+    log_conversation(user_input, ai_response)
+    
+    return ai_response, updated_history
+
+# Gradio UI setup
+with gr.Blocks() as demo:
+    # Titel en beschrijving
+    gr.Markdown("# Geavanceerde AI Chatbot met Variatie")
+    gr.Markdown("Deze chatbot gebruikt GPT-2 om geavanceerde, variabele antwoorden te genereren.")
+    
+    # Input veld en conversatiegeschiedenis
+    chat_history = gr.State(value="")  # Houdt de volledige geschiedenis bij
+    
+    with gr.Row():
+        user_input = gr.Textbox(lines=2, placeholder="Typ hier je vraag...")
+    
+    # Instellingen voor AI variatie
+    with gr.Row():
+        temperature = gr.Slider(0.1, 1.0, value=0.7, label="Temperature (Creativiteit)")
+        top_k = gr.Slider(1, 100, value=50, label="Top-k Sampling")
+        top_p = gr.Slider(0.1, 1.0, value=0.9, label="Top-p Sampling")
+    
+    # Output veld voor het AI antwoord
+    ai_output = gr.Textbox(label="AI Response")
+    
+    # Start de chatbot
+    submit_button = gr.Button("Submit")
+    submit_button.click(chatbot_interface, 
+                        inputs=[user_input, chat_history, temperature, top_k, top_p], 
+                        outputs=[ai_output, chat_history])
+    
+    # Reset knop
+    reset_button = gr.Button("Reset Chat")
+    reset_button.click(lambda: "", outputs=chat_history)
+
+# Start de Gradio interface
+demo.launch()