Spaces:
Sleeping
Sleeping
File size: 11,003 Bytes
308b9ce 8cb0c1d 308b9ce |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 |
import json
from pathlib import Path
from functools import lru_cache
from typing import Mapping, Union, List
import re
import pandas as pd
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
# ---------------------------------------------------------------------
# Paths + device
# ---------------------------------------------------------------------
PROJECT_ROOT = Path(__file__).resolve().parents[2]
MODEL_DIR = PROJECT_ROOT / "config"
# Dossier de ton modèle finetuné d'exécution
# EXEC_MODEL_DIR = MODEL_DIR / "transformer_execution_generator_v3"
# Chargement du modèle HF (tokenizer + modèle)
MODEL_REPO = "AIppyDev/transformer_execution_generator_v3"
MODEL_SUBFOLDER = "transformer_execution_generator_v3" # le nom du dossier dans le repo
REPORT_PATH = MODEL_DIR / "execution_generator_model_report.json"
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# Nombre max de tokens générés (équivalent MAX_LENGTH du notebook)
EXEC_MAX_NEW_TOKENS = 180
# ---------------------------------------------------------------------
# Construction du prompt pour un programme
# ---------------------------------------------------------------------
def build_execution_prompt(row: Union[pd.Series, Mapping, None]) -> str:
"""
Construit le prompt d'exécution à partir d'une ligne de programme.
Format :
The {exercise_name} exercise for "{target_muscles}" with "{equipment}" on "{difficulty}" level:
"""
if row is None:
return ""
def get_val(key: str, default: str = "") -> str:
if isinstance(row, pd.Series):
val = row.get(key, default)
else:
val = row.get(key, default) if hasattr(row, "get") else default
if pd.isna(val):
return default
return str(val).strip()
name = get_val("exercise_name", "this exercise")
muscle = get_val("target_muscles", "the target muscles")
equipment = get_val("equipment", "bodyweight")
difficulty = get_val("difficulty", "General")
prompt = (
f'The {name} exercise for '
f'"{muscle}" with '
f'"{equipment}" on '
f'"{difficulty}" level:'
)
return prompt
# ---------------------------------------------------------------------
# Utils de post-traitement
# ---------------------------------------------------------------------
def strip_prompt_from_generations(prompts: List[str], generated_outputs: List[str]) -> List[str]:
"""
Supprime le prompt au début de chaque génération si le modèle l'a recopié.
"""
cleaned = []
for prompt, gen in zip(prompts, generated_outputs):
gen_strip = gen.strip()
if gen_strip.startswith(prompt):
cleaned.append(gen_strip[len(prompt):].strip())
else:
cleaned.append(gen_strip)
return cleaned
def trim_to_last_full_sentence(text: str) -> str:
"""
Coupe le texte à la dernière phrase complète.
On garde tout jusqu'au dernier '.', '!' ou '?'.
Si aucun n'est trouvé, on renvoie le texte brut stripé.
"""
text = text.strip()
last_dot = text.rfind(".")
last_excl = text.rfind("!")
last_q = text.rfind("?")
last_punct = max(last_dot, last_excl, last_q)
if last_punct != -1:
return text[: last_punct + 1].strip()
return text
def keep_first_n_sentences(text: str, n: int = 2) -> str:
"""
Garde seulement les n premières phrases (séparation grossière sur . ! ?).
"""
sentences = re.split(r'([.!?])', text)
chunks = []
count = 0
for i in range(0, len(sentences) - 1, 2):
sentence = sentences[i].strip()
punct = sentences[i + 1].strip()
if sentence:
chunks.append(sentence + punct)
count += 1
if count >= n:
break
return " ".join(chunks).strip() if chunks else text.strip()
def dedupe_muscle_list(text: str) -> str:
"""
Détecte les listes du type 'glutes, hamstrings, and hamstrings'
dans la phrase, les déduplique et les reformate proprement.
"""
# Regex qui capture une liste séparée par virgules ou 'and'
# Exemple capturé : "glutes, hamstrings, and hamstrings"
pattern = r"([A-Za-z ]+(?:,\s*[A-Za-z ]+)*(?:\s+and\s+[A-Za-z ]+)?)"
def process_match(match):
segment = match.group(0)
# Split sur virgules et 'and'
parts = re.split(r",|\band\b", segment)
parts = [p.strip() for p in parts if p.strip()]
# Déduplique tout en gardant l’ordre
seen = set()
unique = []
for p in parts:
if p.lower() not in seen:
seen.add(p.lower())
unique.append(p)
# Reconstruction naturelle
if len(unique) == 1:
return unique[0]
if len(unique) == 2:
return f"{unique[0]} and {unique[1]}"
return ", ".join(unique[:-1]) + f", and {unique[-1]}"
# Applique la fonction sur toutes les occurrences
cleaned = re.sub(pattern, process_match, text)
return cleaned
def clean_execution_text(text: str) -> str:
"""
Nettoyage final : espaces, 'reps', etc.
"""
if not isinstance(text, str):
return text
cleaned = text
# 1) Ajouter un espace après un point si collé à une majuscule
cleaned = re.sub(r'(\.)([A-Z])', r'\1 \2', cleaned)
# 2) Ajouter un espace après "such as" si collé à un chiffre
cleaned = re.sub(r"(such as)(\d)", r"\1 \2", cleaned)
# 3) Ajouter un espace avant "reps" si collé au chiffre
cleaned = re.sub(r"(\d)(reps)", r"\1 reps", cleaned)
# 4) Normaliser les doubles espaces
cleaned = re.sub(r"\s{2,}", " ", cleaned).strip()
return cleaned
# ---------------------------------------------------------------------
# Chargement du modèle HF (tokenizer + modèle)
# ---------------------------------------------------------------------
@lru_cache()
def _load_exec_model():
"""
Charge une seule fois tokenizer + modèle pour l'execution generator.
Utilise un cache pour éviter les rechargements coûteux.
"""
tokenizer = AutoTokenizer.from_pretrained(MODEL_REPO,
subfolder=MODEL_SUBFOLDER,)
model = AutoModelForCausalLM.from_pretrained(
MODEL_REPO,
subfolder=MODEL_SUBFOLDER,
torch_dtype=torch.float32, # CPU friendly
)
model.to(DEVICE)
model.eval()
return tokenizer, model
# ---------------------------------------------------------------------
# Génération de texte pour l'exécution (1 prompt, pipeline complet)
# ---------------------------------------------------------------------
def generate_execution_text(
prompt: str,
max_new_tokens: int = EXEC_MAX_NEW_TOKENS,
temperature: float = 0.8,
top_k: int = 250,
top_p: float = 0.92,
) -> str:
"""
Génère une description d'exécution à partir d'un prompt unique,
avec le même pipeline que dans le notebook d'entraînement.
"""
prompt = (prompt or "").strip()
if not prompt:
return "No prompt available to generate execution."
tokenizer, model = _load_exec_model()
sample_prompts = [prompt]
encodings = tokenizer(
sample_prompts,
return_tensors="pt",
padding=True,
truncation=True,
)
encodings = {k: v.to(DEVICE) for k, v in encodings.items()}
# 1. Génération
outputs = model.generate(
**encodings,
max_new_tokens=max_new_tokens, # nombre maximum de tokens générés
min_new_tokens=50, # longueur minimale
do_sample=True, # sampling activé (obligatoire pour top-k / top-p)
temperature=temperature, # légère "chauffe" pour plus de variété
top_k=top_k, # top-K sampling large
top_p=top_p, # nucleus sampling
no_repeat_ngram_size=3, # évite les répétitions de 3-grams
num_beams=5, # beam search pour améliorer la cohérence
num_return_sequences=1, # une seule génération par prompt
pad_token_id=tokenizer.eos_token_id,
early_stopping=True, # arrêt anticipé si EOS atteint partout
)
generated_outputs = tokenizer.batch_decode(
outputs,
skip_special_tokens=True,
)
# 2. On enlève le prompt au début de chaque génération
cleaned_generations = strip_prompt_from_generations(
prompts=sample_prompts,
generated_outputs=generated_outputs,
)
# 3. Post-traitement élément par élément
trimmed = [trim_to_last_full_sentence(txt) for txt in cleaned_generations]
limited = [keep_first_n_sentences(t, n=2) for t in trimmed]
deduped = [dedupe_muscle_list(t) for t in limited]
final = [clean_execution_text(t) for t in deduped]
return final[0] if final else ""
def get_dl_execution_model_report_components():
"""
Retourne 4 DataFrames Gradio-ready :
- Summary
- Model
- Training
- Metrics
Si pas de rapport → retourne les DF vides.
"""
report_path = REPORT_PATH
if not report_path or not report_path.exists():
return _empty_dl_dfs()
try:
data = json.loads(report_path.read_text(encoding="utf-8"))
except Exception as e:
print(f"[DL REPORT] Error while reading {report_path}: {e}")
return _empty_dl_dfs()
# ===== Summary =====
dataset = data.get("dataset", {})
summary_rows = [
("created_at", data.get("created_at", "")),
("task", data.get("task", "")),
("target", data.get("target", "")),
("framework", data.get("framework", "")),
("dataset.file", dataset.get("file", "")),
("dataset.size_bytes", dataset.get("size_bytes", "")),
("dataset.tokens", dataset.get("tokens", "")),
]
df_summary = pd.DataFrame(summary_rows, columns=["Key", "Value"])
# ===== Model config =====
model_cfg = data.get("model", {}) or {}
df_model = pd.DataFrame(
[(k, v) for k, v in model_cfg.items()],
columns=["Key", "Value"],
)
# ===== Training =====
training_cfg = data.get("training", {}) or {}
df_training = pd.DataFrame(
[(k, v) for k, v in training_cfg.items()],
columns=["Key", "Value"],
)
# ===== Metrics =====
metrics_cfg = data.get("metrics", {}) or {}
df_metrics = pd.DataFrame(
[(k, v) for k, v in metrics_cfg.items()],
columns=["Metric", "Value"],
)
return df_summary, df_model, df_training, df_metrics
def _empty_dl_dfs():
df_summary = pd.DataFrame({"Key": [], "Value": []})
df_model = pd.DataFrame({"Key": [], "Value": []})
df_training = pd.DataFrame({"Key": [], "Value": []})
df_metrics = pd.DataFrame({"Metric": [], "Value": []})
return df_summary, df_model, df_training, df_metrics
|