Update app.py

app.py

@@ -1,63 +1,292 @@
-# Importamos las clases necesarias de la librería Hugging Face Transformers.
-# Usamos GPT2LMHeadModel porque incluye el "Language Model Head"
-# necesario para tareas de generación de texto.
-from transformers import GPT2LMHeadModel, GPT2Tokenizer
-import torch
-import sys
-
-# --- CONFIGURACIÓN ESTÁNDAR ---
-# MODEL_ID: Usamos 'gpt2', el identificador oficial y compatible.
-# ESTA ES LA CORRECCIÓN CLAVE para evitar el error de compatibilidad.
-MODEL_ID = 'gpt2' 
-PROMPT = "La arquitectura de la red neuronal Transformer se basa en un mecanismo de"
-MAX_LENGTH = 70
-TEMPERATURE = 0.8
-DEVICE = 'cuda' if torch.cuda.is_available() else 'cpu'
-
-print(f"Iniciando carga del modelo GPT-2: {MODEL_ID} en dispositivo: {DEVICE}")
-
-def main():
-    """Función principal para cargar el modelo y generar texto."""
+import os
+import gradio as gr
+import threading
+import time
+from huggingface_hub import login
+from datasets import load_dataset
+from transformers import AutoTokenizer, AutoModelForCausalLM, Trainer, TrainingArguments, DataCollatorForLanguageModeling, pipeline
+from peft import get_peft_model, LoraConfig, TaskType, PeftModel
+import json
+
+# --- CONFIGURACIÓN DEL MODELO Y ENTRENAMIENTO ---
+BASE_MODEL = "bigcode/santacoder"  # Modelo base de programación
+LORA_PATH = "./lora_output"        # Ruta donde se guarda el modelo adaptado
+DATASET_FILE = "codesearchnet_lora_dataset.json"   
+MAX_TOKEN_LENGTH = 256             
+NUM_SAMPLES_TO_PROCESS = 1000      
+DEFAULT_EPOCHS = 10                
+
+# Configuración del ciclo AUTÓNOMO (Inicia reentrenamiento cada 5 interacciones)
+GENERATION_LIMIT_TO_TRAIN = 5 
+AUTONOMOUS_EPOCHS = 3           
+
+# --- ESTADO GLOBAL Y THREADING ---
+tokenizer = None
+lora_model = None
+tokenized_dataset = None
+lora_generator = None
+
+# Variables de estado
+version_number = 1.0 
+is_trained = os.path.exists(LORA_PATH) 
+generations_since_last_train = 0
+training_status_message = "Esperando la inicialización V1.0..."
+
+# Lock para proteger las variables compartidas entre hilos (CRÍTICO para estabilidad)
+global_lock = threading.Lock() 
+
+# --- LÓGICA DE PREPARACIÓN Y SETUP ---
+
+def prepare_codesearchnet():
+    """Descarga y prepara el dataset inicial si no existe."""
+    if os.path.exists(DATASET_FILE):
+        return
     try:
-        # 1. Cargar el Tokenizer
-        tokenizer = GPT2Tokenizer.from_pretrained(MODEL_ID)
-        
-        # 2. Cargar el Modelo con el 'Language Modeling Head'
-        model = GPT2LMHeadModel.from_pretrained(MODEL_ID).to(DEVICE)
-        
-        # Configuramos el token de padding (necesario para la generación)
-        if tokenizer.pad_token is None:
-            tokenizer.pad_token = tokenizer.eos_token
-        model.config.pad_token_id = tokenizer.eos_token_id
-
-        # 3. Codificar el texto de inicio (prompt)
-        input_ids = tokenizer.encode(PROMPT, return_tensors='pt').to(DEVICE)
-
-        print("\n--- Generando Texto ---")
-        
-        # 4. Generar la secuencia de texto
-        output = model.generate(
-            input_ids,
-            max_length=MAX_LENGTH,
-            num_return_sequences=1,
-            do_sample=True,             # Permite sampling (generación más creativa)
-            top_k=50,                   # Limita las opciones a las 50 más probables
-            temperature=TEMPERATURE,    # Controla la creatividad (más alto = más aleatorio)
-            pad_token_id=tokenizer.eos_token_id
-        )
+        raw_csn = load_dataset('Nan-Do/code-search-net-python', split=f'train[:{NUM_SAMPLES_TO_PROCESS}]')
+        
+        def format_for_lora(example):
+            # Formato que entrena a la IA a enlazar descripción (español) con código (inglés)
+            prompt_text = (
+                f"# Descripción: {example['docstring_summary']}\n"
+                f"# Completa la siguiente función:\n"
+                f"def {example['func_name']}("
+            )
+            completion_text = example['code']
+            return {"prompt": prompt_text, "completion": completion_text}
+
+        lora_dataset = raw_csn.map(format_for_lora, batched=False, remove_columns=raw_csn["train"].column_names)
+        lora_dataset.to_json(DATASET_FILE)
+    except Exception as e:
+        print(f"Error al cargar dataset. Usando datos mínimos. Error: {e}")
+        minimal_dataset = [{"prompt": "# Error de carga. Intenta de nuevo.", "completion": "pass\n"}] * 10
+        with open(DATASET_FILE, 'w') as f:
+            json.dump(minimal_dataset, f)
+
+
+def setup_resources():
+    """Configura el tokenizer, el modelo base y el adaptador LoRA."""
+    global tokenizer, lora_model, tokenized_dataset
+
+    prepare_codesearchnet()
+    
+    hf_token = os.environ.get("HF_TOKEN")
+    if hf_token:
+        login(token=hf_token)
+
+    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
+
+    peft_config = LoraConfig(
+        task_type=TaskType.CAUSAL_LM, r=8, lora_alpha=32, lora_dropout=0.1, target_modules=["c_proj", "c_attn"], 
+    )
+    lora_model = get_peft_model(base_model, peft_config)
+    
+    try:
+        raw_dataset = load_dataset("json", data_files=DATASET_FILE)
+        
+        def tokenize_function(examples):
+            return tokenizer(
+                examples["prompt"] + examples["completion"],
+                truncation=True,
+                padding="max_length",
+                max_length=MAX_TOKEN_LENGTH
+            )
+
+        tokenized_dataset = raw_dataset.map(tokenize_function, batched=True, remove_columns=raw_dataset["train"].column_names if "train" in raw_dataset else [],)
+    except Exception:
+        tokenized_dataset = None
+
+# --- FUNCIÓN DE ENTRENAMIENTO (EJECUTADA EN HILO SEPARADO) ---
+
+def autonomous_train_lora(epochs, batch_size, learning_rate):
+    """Ejecuta el entrenamiento en un hilo separado para la autonomía."""
+    global lora_model, tokenized_dataset, lora_generator, version_number, is_trained, training_status_message
+
+    try:
+        with global_lock:
+            if tokenized_dataset is None or "train" not in tokenized_dataset:
+                training_status_message = "ERROR: No se puede entrenar. Dataset no disponible."
+                return
+            
+            # 1. ACTUALIZAR VERSIÓN (Pre-incremento)
+            if is_trained:
+                 version_number += 0.1
+            else:
+                 version_number = 1.0
+                 
+            # 2. CONFIGURACIÓN E INICIO DEL ENTRENAMIENTO
+            training_status_message = f"🧠 ENTRENANDO V{version_number:.1f} (Epochs: {epochs})...."
+            print(f"\n[AUTÓNOMO] {training_status_message}")
+            
+            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,
+                disable_tqdm=True, 
+                report_to="none"
+            )
+
+            trainer = Trainer(model=lora_model, args=training_args, train_dataset=tokenized_dataset["train"], data_collator=data_collator)
+            
+            trainer.train()
+            lora_model.save_pretrained(LORA_PATH) 
+            tokenizer.save_pretrained(LORA_PATH) 
+            
+            # 3. Marcar como entrenado
+            is_trained = True
+            training_status_message = f"✅ ENTRENAMIENTO V{version_number:.1f} COMPLETADO. Modelo listo para Hot Swap."
+            print(f"[AUTÓNOMO] {training_status_message}")
+
+    except Exception as e:
+        training_status_message = f"ERROR CRÍTICO durante el entrenamiento autónomo: {e}"
+        print(f"[AUTÓNOMO] {training_status_message}")
+
+# --- FUNCIÓN DE GENERACIÓN (CORREGIDA PARA RETORNAR 2 VALORES) ---
+
+def generate_text(prompt_text):
+    """Genera código y dispara el ciclo de reentrenamiento autónomo si es necesario."""
+    global lora_generator, generations_since_last_train, is_trained, version_number, training_status_message
+
+    if not is_trained:
+        # Si el entrenamiento V1.0 no ha terminado, retorna el mensaje de error y el estado actual
+        return "ERROR: El modelo LoRA no ha sido entrenado. Por favor, espere mientras la IA se inicializa con el entrenamiento V1.0.", update_status()
+
+
+    # 1. HOT SWAP (Verifica si el modelo necesita recargarse con la nueva versión)
+    if lora_generator is None:
+        with global_lock:
+            try:
+                # Recarga el modelo solo si está vacío
+                base_model_gen = AutoModelForCausalLM.from_pretrained(BASE_MODEL, device_map="auto")
+                model_with_lora = PeftModel.from_pretrained(base_model_gen, LORA_PATH)
+                final_model = model_with_lora.merge_and_unload()
+                final_model.eval() 
+                lora_generator = pipeline("text-generation", model=final_model, tokenizer=tokenizer)
+                print(f"[HOT SWAP] 🔄 Modelo de inferencia V{version_number:.1f} recargado y listo.")
+            except Exception as e:
+                 # Si la recarga falla, retorna un error
+                return f"Error al cargar el modelo V{version_number:.1f} para inferencia: {e}", update_status()
+
 
-        # 5. Decodificar y mostrar el resultado
-        generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
+    # 2. Generación de texto (Lógica de inferencia)
+    try:
+        # Prepara el prompt para guiar la generación del código
+        prompt_with_indent = prompt_text.strip() + "\n    "
+        output = lora_generator(prompt_with_indent, max_new_tokens=150, temperature=0.7, top_p=0.9, clean_up_tokenization_spaces=True)
+        full_output = output[0]["generated_text"]
+        
+        # Extrae solo la parte de la compleción (el código generado)
+        start_index = full_output.find(prompt_with_indent)
+        completion = full_output[start_index + len(prompt_with_indent):] if start_index != -1 else full_output
         
-        print(f"\nPrompt Original: {PROMPT}")
-        print("-" * (len(PROMPT) + 15))
-        print(f"Texto Generado Completo: {generated_text}")
-        print("\n¡Generación completada con éxito!")
+        # 3. Aumentar contador de autonomía
+        with global_lock:
+            generations_since_last_train += 1
+            current_count = generations_since_last_train
+            current_version = version_number
+
+        # 4. Verificar si se requiere reentrenamiento (y dispararlo en un nuevo hilo)
+        notification = ""
+        if current_count >= GENERATION_LIMIT_TO_TRAIN:
+            # Verifica que no haya otro hilo de entrenamiento ya corriendo
+            if not any(isinstance(t, threading.Thread) and t.name == 'AutonomousTrainer' for t in threading.enumerate()):
+                print(f"[AUTONOMÍA] Generación #{current_count} alcanzada. Disparando reentrenamiento autónomo en segundo plano...")
+                
+                # Reiniciar el contador de generaciones y forzar Hot Swap en la próxima interacción
+                with global_lock:
+                    generations_since_last_train = 0
+                    lora_generator = None 
+                    
+                trainer_thread = threading.Thread(
+                    target=autonomous_train_lora, 
+                    args=(AUTONOMOUS_EPOCHS, 2, 5e-5), 
+                    name='AutonomousTrainer'
+                )
+                trainer_thread.daemon = True
+                trainer_thread.start()
+                
+                notification = f"\n\n--- [AUTONOMÍA] La IA ha iniciado el reentrenamiento V{current_version+0.1:.1f} para mejorar la traducción de tu diálogo. La próxima generación cargará la nueva versión. ---"
+            
+        # CORRECCIÓN CLAVE: Retorna el código Y el estado actualizado
+        return completion + notification, update_status()
 
     except Exception as e:
-        print(f"\n[ERROR CRÍTICO] Fallo al cargar el modelo o generar texto.", file=sys.stderr)
-        print(f"Asegúrate de tener instalada la librería 'transformers' y 'torch' (pip install transformers torch).", file=sys.stderr)
-        print(f"Detalle del error: {e}", file=sys.stderr)
+        # Si falla la generación, retorna el mensaje de error y el estado actual
+        return f"Error generando texto: {e}", update_status()
+
+# --- FUNCIÓN PARA INICIALIZACIÓN Y ENTRENAMIENTO V1.0 (Obligatorio) ---
+
+def initialize_and_train_v1():
+    """Ejecuta el entrenamiento inicial V1.0 de forma autónoma al iniciar."""
+    if not is_trained:
+        autonomous_train_lora(epochs=DEFAULT_EPOCHS, batch_size=2, learning_rate=5e-5)
+    else:
+        global training_status_message
+        training_status_message = f"✅ Modelo V{version_number:.1f} ya entrenado. Listo."
+        print(f"[INICIALIZACIÓN] {training_status_message}")
+
+# --- FUNCIÓN PARA ACTUALIZAR EL ESTADO EN LA UI ---
 
+def update_status():
+    """Actualiza la versión y el estado del entrenamiento en la interfaz de Gradio."""
+    global training_status_message, version_number
+    # Retorna un texto en Markdown que se actualiza constantemente
+    return f"**Versión de Comprensión:** V{version_number:.1f} | **Estado del Entrenador:** {training_status_message}"
+
+
+# --- INTERFAZ GRADIO ---
+with gr.Blocks(title="AmorCoderAI - Aprendizaje Continuo") as demo:
+    gr.Markdown("# 💙 AmorCoderAI - Asistente de Código con Aprendizaje Continuo")
+    
+    # Muestra la versión y el estado.
+    version_and_status = gr.Markdown(
+        f"**Versión de Comprensión:** V{version_number:.1f} | **Estado del Entrenador:** {training_status_message}",
+        elem_id="status_display"
+    )
+
+    gr.Markdown(f"**Modo Autónomo:** La IA se reentrena automáticamente cada **{GENERATION_LIMIT_TO_TRAIN}** códigos generados. Esto mejora su capacidad para traducir tu español conversacional a código.")
+
+    with gr.Tab("✨ Generación de Código"):
+        gr.Markdown("## Escribe tu idea en palabras (¡Usa español fluido!)")
+        
+        gr.Markdown("Recomendación inicial: Usa el siguiente formato para obtener el mejor código mientras la IA aprende tu idioma:")
+        
+        prompt = gr.Textbox(
+            label="Instrucción de Programación:", 
+            lines=4,
+            placeholder="# Descripción: Quiero que me hagas un código similar a Google Gemini.\n# Completa la siguiente función:\ndef generar_contenido(prompt, modelo):"
+        )
+        generate_button = gr.Button("💬 Generar código y disparar Aprendizaje")
+        output_box = gr.Textbox(label="Código generado", lines=10)
+        
+        # Conexión del botón con la función principal
+        # IMPORTANTE: Ahora generate_text retorna DOS valores para coincidir con [output_box, version_and_status]
+        generate_button.click(
+            generate_text, 
+            inputs=prompt, 
+            outputs=[output_box, version_and_status], 
+        )
+
+    # El estado se actualiza solo al cargar la página.
+    demo.load(update_status, None, version_and_status)
+
+
+# --- INICIO DE LA APLICACIÓN ---
 if __name__ == "__main__":
-    main()
+    setup_resources()
+    
+    # Lanza el entrenamiento V1.0 inicial en un hilo para que no congele la UI
+    initialization_thread = threading.Thread(target=initialize_and_train_v1, name='InitializationTrainer')
+    initialization_thread.daemon = True
+    initialization_thread.start()
+        
+    print(f"\n💻 LANZANDO INTERFAZ GRADIO (El entrenamiento V1.0 se ejecuta en segundo plano)")
+    demo.launch()