app.py

import os
import gradio as gr
from huggingface_hub import login
from datasets import load_dataset, Dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, Trainer, TrainingArguments, DataCollatorForLanguageModeling, pipeline
from peft import get_peft_model, LoraConfig, TaskType, PeftModel

# ============================================================
# ⚙️ CONFIGURACIÓN GLOBAL
# ============================================================
# Modelo base para generación de código
BASE_MODEL = "bigcode/santacoder"  
LORA_PATH = "./lora_output"        # Directorio para guardar los adaptadores LoRA
DATASET_PATH = "tu_dataset.json"   # ¡Cambia esto por el nombre de tu archivo JSON!
MAX_TOKEN_LENGTH = 256             # Longitud de secuencia uniforme (corrige errores de tamaño)

# Variables globales para acceso a recursos
tokenizer = None
lora_model = None
tokenized_dataset = None
lora_generator = None

# ============================================================
# 🔐 AUTENTICACIÓN Y PRE-CARGA DE RECURSOS (SINGLETON)
# ============================================================

def setup_resources():
    """Carga y configura todos los recursos (modelo, tokenizer, dataset) una sola vez."""
    global tokenizer, lora_model, tokenized_dataset

    # 1. Autenticación con Hugging Face
    hf_token = os.environ.get("HF_TOKEN")
    if hf_token:
        login(token=hf_token)
    else:
        print("⚠️ Token no encontrado. La app intentará correr sin autenticación de escritura.")

    # 2. Carga del Tokenizer y Modelo Base
    print("\n🔄 Cargando modelo y tokenizer una sola vez...")
    tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)
    base_model = AutoModelForCausalLM.from_pretrained(BASE_MODEL, device_map="auto") 

    if tokenizer.pad_token is None:
        tokenizer.pad_token = tokenizer.eos_token

    # 3. Configuración y Aplicación LoRA (PEFT)
    peft_config = LoraConfig(
        task_type=TaskType.CAUSAL_LM,
        r=8,
        lora_alpha=32,
        lora_dropout=0.1,
        target_modules=["c_proj", "c_attn"], # Adaptado para modelos causales tipo GPT/Santacoder
    )
    # Envuelve el modelo base con la configuración LoRA
    lora_model = get_peft_model(base_model, peft_config)
    print(f"✅ Modelo LoRA preparado. Parámetros entrenables: {lora_model.print_trainable_parameters()}")

    # 4. Carga y Tokenización del Dataset (para eficiencia)
    print("📚 Cargando y tokenizando dataset (esto solo se hace una vez)...")
    try:
        raw_dataset = load_dataset("json", data_files=DATASET_PATH)
        # Tokenización rápida con batched=True
        tokenized_dataset = raw_dataset.map(
            lambda e: tokenizer(
                e["prompt"] + e["completion"],
                truncation=True,
                padding="max_length",
                max_length=MAX_TOKEN_LENGTH
            ),
            batched=True,
            remove_columns=raw_dataset["train"].column_names
        )
        print("✅ Dataset tokenizado correctamente.")
    except Exception as e:
        tokenized_dataset = None
        print(f"❌ Error al cargar o tokenizar el dataset. Asegúrate que '{DATASET_PATH}' exista. {e}")


# ============================================================
# 🧩 FUNCIÓN DE ENTRENAMIENTO
# ============================================================
def train_lora(epochs, batch_size, learning_rate):
    """Ejecuta el entrenamiento del modelo LoRA."""
    global lora_model, tokenized_dataset, lora_generator

    # Verifica si el dataset está disponible
    if tokenized_dataset is None or "train" not in tokenized_dataset:
        return "❌ Error: El dataset no pudo cargarse o está vacío. No se puede entrenar."

    try:
        # Reinicia el generador para que cargue el modelo entrenado en el siguiente test
        lora_generator = None 
        
        data_collator = DataCollatorForLanguageModeling(tokenizer=tokenizer, mlm=False)

        training_args = TrainingArguments(
            output_dir=LORA_PATH,
            per_device_train_batch_size=int(batch_size),
            num_train_epochs=float(epochs),
            learning_rate=float(learning_rate),
            save_total_limit=1,
            logging_steps=10,
            push_to_hub=False,
        )

        trainer = Trainer(
            model=lora_model, # Usa el modelo LoRA global
            args=training_args,
            train_dataset=tokenized_dataset["train"],
            data_collator=data_collator,
        )

        trainer.train()
        
        # Guarda SOLAMENTE los adaptadores LoRA (archivos pequeños)
        lora_model.save_pretrained(LORA_PATH) 
        tokenizer.save_pretrained(LORA_PATH) 

        return f"✅ Entrenamiento completado. Adaptadores LoRA guardados en **{LORA_PATH}**"
    except Exception as e:
        return f"❌ Error durante el entrenamiento: {e}"

# ============================================================
# 🤖 FUNCIÓN DE GENERACIÓN (INFERENCIA)
# ============================================================
def generate_text(prompt_text):
    """Genera texto usando el modelo base + adaptadores LoRA."""
    global lora_generator

    try:
        # Carga el generador SOLAMENTE si no ha sido cargado aún
        if lora_generator is None:
            # 1. Cargar el modelo base
            base_model_gen = AutoModelForCausalLM.from_pretrained(BASE_MODEL, device_map="auto")
            
            # 2. Aplicar adaptadores LoRA si existen
            if os.path.exists(LORA_PATH):
                model_with_lora = PeftModel.from_pretrained(base_model_gen, LORA_PATH)
            else:
                # Si no hay LoRA, usa el modelo base (solo si está cargado globalmente)
                model_with_lora = base_model_gen

            # 3. Fusionar el modelo base y los adaptadores para una inferencia más rápida
            final_model = model_with_lora.merge_and_unload()
            final_model.eval() # Poner en modo evaluación
            
            # 4. Inicializar el pipeline global
            lora_generator = pipeline("text-generation", model=final_model, tokenizer=tokenizer)

        # Generar la respuesta
        output = lora_generator(prompt_text, max_new_tokens=150, temperature=0.7, top_p=0.9)
        return output[0]["generated_text"]
        
    except Exception as e:
        return f"❌ Error generando texto (Asegúrate de que el modelo base/LoRA esté cargado): {e}"

# ============================================================
# 💻 INTERFAZ GRADIO
# ============================================================
with gr.Blocks(title="AmorCoderAI - LoRA") as demo:
    gr.Markdown("# 💙 AmorCoderAI - Entrenamiento y Pruebas LoRA")
    gr.Markdown(f"Modelo base: `{BASE_MODEL}`. Adaptadores guardados en `{LORA_PATH}`. **El auto-entrenamiento se ejecuta al iniciar.**")

    with gr.Tab("🧠 Entrenar (Manual)"):
        gr.Markdown("--- **¡CUIDADO!** El entrenamiento es lento y consume muchos recursos (VRAM/RAM). ---")
        epochs = gr.Number(value=1, label="Épocas", precision=0)
        batch_size = gr.Number(value=2, label="Tamaño de lote (ajusta según tu VRAM)", precision=0)
        learning_rate = gr.Number(value=5e-5, label="Tasa de aprendizaje")
        train_button = gr.Button("🚀 Iniciar Entrenamiento Manual")
        train_output = gr.Textbox(label="Resultado del Entrenamiento Manual")
        
        train_button.click(
            train_lora, 
            inputs=[epochs, batch_size, learning_rate], 
            outputs=train_output
        )

    with gr.Tab("✨ Probar modelo"):
        prompt = gr.Textbox(label="Escribe código (ej: 'def fibonacci(n):')", lines=4)
        generate_button = gr.Button("💬 Generar código")
        output_box = gr.Textbox(label="Salida generada", lines=10)
        generate_button.click(generate_text, inputs=prompt, outputs=output_box)

# ============================================================
# 🚀 LANZAR APP Y AUTO-ENTRENAMIENTO (¡AQUÍ SUCEDE LA MAGIA!)
# ============================================================
if __name__ == "__main__":
    # 1. Cargar todos los recursos globales
    setup_resources()
    
    # 2. AUTO-ENTRENAMIENTO (Se ejecuta con valores por defecto)
    print("\n=============================================")
    print("🤖 INICIANDO AUTO-ENTRENAMIENTO (1 Época, 2 Batch Size)")
    print("=============================================")
    
    # Parámetros por defecto para el auto-entrenamiento
    auto_train_result = train_lora(epochs=1, batch_size=2, learning_rate=5e-5) 
    
    print(f"\nFIN DEL AUTO-ENTRENAMIENTO: {auto_train_result}")
    
    # 3. Lanzar la Interfaz Gradio
    print("\n=============================================")
    print("💻 LANZANDO INTERFAZ GRADIO")
    print("=============================================")
    demo.launch()