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