Update interface.py

interface.py

@@ -1,36 +1,35 @@
 # interface.py
 
-from models import BioprocessModel
-import io
-from PIL import Image
+# Importar 'spaces' y decoradores antes que cualquier biblioteca que pueda inicializar CUDA
+from decorators import gpu_decorator
+
+# Luego importar cualquier cosa relacionada con PyTorch o el modelo que va a usar la GPU
+import torch
+from transformers import AutoTokenizer, AutoModelForCausalLM
 import pandas as pd
 import numpy as np
 import matplotlib.pyplot as plt
-import torch
-from transformers import AutoTokenizer, AutoModelForCausalLM
-from sympy import symbols, sympify, lambdify
-import copy
-from config import DEVICE, MODEL_PATH, MAX_LENGTH, TEMPERATURE
-from decorators import spaces
+from PIL import Image
+import io
+from sympy import symbols, lambdify, sympify
 
-# Configuración del dispositivo
-device = DEVICE
+# Importar otras partes necesarias del código (config, etc.)
+from config import DEVICE, MODEL_PATH, MAX_LENGTH, TEMPERATURE
 
-# Cargar el modelo
-model_path = MODEL_PATH  # Reemplaza con la ruta real de tu modelo
+# Cargar el modelo fuera de la función para evitar la inicialización innecesaria cada vez que se llame a la función
+model_path = MODEL_PATH
 tokenizer = AutoTokenizer.from_pretrained(model_path)
 model = AutoModelForCausalLM.from_pretrained(model_path)
-# No movemos el modelo al dispositivo aquí
-
-from decorators import spaces
 
-@spaces.GPU(duration=100)
+# Decorador GPU aplicado para manejar la ejecución en GPU si está disponible
+@gpu_decorator(duration=300)
 def generate_analysis(prompt, max_length=1024, device=None):
     try:
+        # Si el dispositivo no se especifica, usa CPU por defecto
         if device is None:
             device = torch.device('cpu')
         
-        # Mover el modelo al dispositivo adecuado (GPU o CPU)
+        # Mover el modelo al dispositivo adecuado (GPU o CPU) si es necesario
         if next(model.parameters()).device != device:
             model.to(device)
         
@@ -48,6 +47,7 @@ def generate_analysis(prompt, max_length=1024, device=None):
             early_stopping=True
         )
 
+        # Decodificar la respuesta generada
         output_text = tokenizer.decode(generated_ids[0], skip_special_tokens=True)
         analysis = output_text[len(prompt):].strip()
         return analysis
@@ -68,7 +68,7 @@ def parse_bounds(bounds_str, num_params):
         lower_bounds = [-np.inf] * num_params
         upper_bounds = [np.inf] * num_params
         return lower_bounds, upper_bounds
-        
+
 def process_and_plot(
     file,
     biomass_eq1, biomass_eq2, biomass_eq3,
@@ -85,20 +85,23 @@ def process_and_plot(
     show_params,
     biomass_eq_count,
     substrate_eq_count,
-    product_eq_count
+    product_eq_count,
+    device=None
 ):
-    # Verificar que las columnas requeridas estén presentes en el archivo Excel
+    # Leer el archivo Excel
     df = pd.read_excel(file.name)
-    expected_columns = ['Tiempo', 'Biomasa', 'Sustrato', 'Producto']  # Nombres en español
+    
+    # Verificar que las columnas necesarias estén presentes
+    expected_columns = ['Tiempo', 'Biomasa', 'Sustrato', 'Producto']
     for col in expected_columns:
         if col not in df.columns:
             raise KeyError(f"La columna esperada '{col}' no se encuentra en el archivo Excel.")
 
-    # Asignación de datos desde las columnas en español
-    time = df['Tiempo'].values  # Columna de tiempo
-    biomass_data = df['Biomasa'].values  # Columna de biomasa
-    substrate_data = df['Sustrato'].values  # Columna de sustrato
-    product_data = df['Producto'].values  # Columna de producto
+    # Asignar los datos desde las columnas
+    time = df['Tiempo'].values
+    biomass_data = df['Biomasa'].values
+    substrate_data = df['Sustrato'].values
+    product_data = df['Producto'].values
 
     # Convierte los contadores a enteros
     biomass_eq_count = int(biomass_eq_count)
@@ -139,7 +142,7 @@ def process_and_plot(
             bounds=(lower_bounds, upper_bounds)
         )
         biomass_results.append({
-            'model': copy.deepcopy(model),
+            'model': model,
             'y_pred': y_pred,
             'equation': equation
         })
@@ -179,7 +182,7 @@ def process_and_plot(
             bounds=(lower_bounds, upper_bounds)
         )
         substrate_results.append({
-            'model': copy.deepcopy(model),
+            'model': model,
             'y_pred': y_pred,
             'equation': equation
         })
@@ -214,7 +217,7 @@ def process_and_plot(
             bounds=(lower_bounds, upper_bounds)
         )
         product_results.append({
-            'model': copy.deepcopy(model),
+            'model': model,
             'y_pred': y_pred,
             'equation': equation
         })
@@ -255,83 +258,20 @@ def process_and_plot(
     buf.seek(0)
     image = Image.open(buf)
 
-    all_results = {
-        'biomass_models': [],
-        'substrate_models': [],
-        'product_models': []
-    }
-
-    for i, result in enumerate(biomass_results):
-        model_info = {
-            'model_number': i + 1,
-            'equation': result['equation'],
-            'parameters': result['model'].params['biomass'],
-            'R2': result['model'].r2['biomass'],
-            'RMSE': result['model'].rmse['biomass']
-        }
-        all_results['biomass_models'].append(model_info)
-
-    for i, result in enumerate(substrate_results):
-        model_info = {
-            'model_number': i + 1,
-            'equation': result['equation'],
-            'parameters': result['model'].params['substrate'],
-            'R2': result['model'].r2['substrate'],
-            'RMSE': result['model'].rmse['substrate']
-        }
-        all_results['substrate_models'].append(model_info)
-
-    for i, result in enumerate(product_results):
-        model_info = {
-            'model_number': i + 1,
-            'equation': result['equation'],
-            'parameters': result['model'].params['product'],
-            'R2': result['model'].r2['product'],
-            'RMSE': result['model'].rmse['product']
-        }
-        all_results['product_models'].append(model_info)
-
-    results_text = "Resultados Experimentales:\n\n"
-
-    results_text += "Modelos de Biomasa:\n"
-    for model_info in all_results['biomass_models']:
-        results_text += f"""
-Modelo {model_info['model_number']}:
-Ecuación: {model_info['equation']}
-Parámetros: {model_info['parameters']}
-R²: {model_info['R2']:.4f}
-RMSE: {model_info['RMSE']:.4f}
-"""
-
-    results_text += "\nModelos de Sustrato:\n"
-    for model_info in all_results['substrate_models']:
-        results_text += f"""
-Modelo {model_info['model_number']}:
-Ecuación: {model_info['equation']}
-Parámetros: {model_info['parameters']}
-R²: {model_info['R2']:.4f}
-RMSE: {model_info['RMSE']:.4f}
-"""
-
-    results_text += "\nModelos de Producto:\n"
-    for model_info in all_results['product_models']:
-        results_text += f"""
-Modelo {model_info['model_number']}:
-Ecuación: {model_info['equation']}
-Parámetros: {model_info['parameters']}
-R²: {model_info['R2']:.4f}
-RMSE: {model_info['RMSE']:.4f}
-"""
-
     prompt = f"""
 Eres un experto en modelado de bioprocesos.
 
 Analiza los siguientes resultados experimentales y proporciona un veredicto sobre la calidad de los modelos, sugiriendo mejoras si es necesario.
 
-{results_text}
+Biomasa:
+{biomass_results}
+
+Sustrato:
+{substrate_results}
 
-Tu análisis debe ser detallado y profesional.
+Producto:
+{product_results}
 """
-    analysis = generate_analysis(prompt)
+    analysis = generate_analysis(prompt, device=device)
 
     return [image], analysis