File size: 5,958 Bytes
758b916
 
 
 
fc0a457
 
758b916
9136f42
fc0a457
0de6884
fc0a457
4f5e080
 
1f4ced1
4f5e080
 
 
 
 
 
 
 
 
 
 
 
9f386b5
758b916
 
fc0a457
 
758b916
 
fc0a457
758b916
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
9f386b5
758b916
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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

from transformers import TextDataset
from transformers import DataCollatorForLanguageModeling
from transformers import Trainer, TrainingArguments
from transformers import AutoTokenizer, AutoModelForCausalLM
from transformers import pipeline
from transformers import GPT2Tokenizer, GPT2LMHeadModel
import gradio as gr
import re
import torch



model_path = "malteos/gpt2-uk"

# GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")

# Завантаження моделі
print("Loading model...")
tokenizer = AutoTokenizer.from_pretrained(model_path, padding_side='right')
tokenizer.pad_token = tokenizer.eos_token
model = AutoModelForCausalLM.from_pretrained(model_path).to(device)
model.config.pad_token_id = tokenizer.pad_token_id
# for GPT2


#оригiнальна модель та точки збереження
train_directory = "model"
train_file_path = "anekdoty.txt"
model_name = train_directory
#донавчена модель та точки збереження
output_dir = "model_tuned"
overwrite_output_dir = False
learning_rate=4e-4
per_device_train_batch_size=8
num_train_epochs=3
gradient_accumulation_steps=1,
warmup_steps=200,
weight_decay=0.01,
save_total_limit=1,
fp16=True,
report_to="none",
optim="adafactor",
lr_scheduler_type="linear",
dataloader_num_workers=2
save_total_limit=2
save_steps = 10000

def clean_text(text):
         text = text.lower()
         text = re.sub(r'<[^>]*>', '', text)  # Видалення HTML-тегів
         text = re.sub(r'[^a-zA-Z0-9\s]', '', text)  # Видалення спеціальних символів
         text = re.sub(r'\s+', ' ', text)  # Видалення зайвих пробілів
         return text.strip()

def load_dataset(file_path, tokenizer, block_size = 128):
  dataset = TextDataset(
  tokenizer = tokenizer,
  file_path = file_path,
  block_size = block_size,
  )
  return dataset

def load_data_collator(tokenizer, mlm = False):
  data_collator = DataCollatorForLanguageModeling(
  tokenizer=tokenizer,
  mlm=mlm,
  )
  return data_collator

def train(train_file_path,model_name,
  output_dir,
  overwrite_output_dir,
  per_device_train_batch_size,
  num_train_epochs,
  save_steps, resume_from_checkpoint):
    #tokenizer = GPT2Tokenizer.from_pretrained(model_name)
    tokenizer = AutoTokenizer.from_pretrained(model_name)
    train_dataset = load_dataset(train_file_path, tokenizer)
    data_collator = load_data_collator(tokenizer)
    tokenizer.save_pretrained(output_dir)
    model = GPT2LMHeadModel.from_pretrained(model_name)
    model.save_pretrained(output_dir)
    training_args = TrainingArguments(
      output_dir=output_dir,
      overwrite_output_dir=overwrite_output_dir,
      per_device_train_batch_size=per_device_train_batch_size,
      num_train_epochs=num_train_epochs,
      report_to="none"
    )
    trainer = Trainer(
      model=model,
      args=training_args,
      data_collator=data_collator,
      train_dataset=train_dataset,
    )
    trainer.train(resume_from_checkpoint=resume_from_checkpoint)
    trainer.save_model()

tokenizer.save_pretrained(train_directory)
model.save_pretrained(train_directory)

train(train_file_path=train_file_path,
  model_name=model_name,
  output_dir=output_dir,
  overwrite_output_dir=overwrite_output_dir,
  per_device_train_batch_size=per_device_train_batch_size,
  num_train_epochs=num_train_epochs,
  save_steps=save_steps,
  # False для першого разу,
  # True - для вiдновлення з точки зупинки
  resume_from_checkpoint=False)



def create_joke(prompt, length=20, creativity=0.3, repeat_penalty=1.5):
    try:
        # Обмеження параметрів
        length = min(max(int(length), 10), 200)
        creativity = min(max(float(creativity), 0.1), 1.0)
        repeat_penalty = min(max(float(repeat_penalty), 1.0), 2.0)

        # Генерація тексту
        result = joke_generator(
            prompt,
            max_new_tokens=length,
            temperature=creativity,
            repetition_penalty=repeat_penalty,
            do_sample=True,
            top_p=0.9,
            no_repeat_ngram_size=2,
            pad_token_id=50256,
            early_stopping=True
        )

        # Обробка результату
        if result and isinstance(result, list):
            joke = result[0]['generated_text']
            joke = joke.replace(prompt, "").strip()

            # Обрізаємо до першого завершального знаку
            for end_mark in ['.', '!', '?', '\n']:
                if end_mark in joke:
                    joke = joke.split(end_mark)[0] + end_mark
                    break

            return joke[:200]  # Додаткове обмеження довжини

        return "Не вдалося згенерувати текст"

    except Exception as e:
        return f"Сталася помилка: {str(e)}"
    

# Інтерфейс
with gr.Blocks(title="Генератор анекдотів") as app:
    gr.Markdown("## Генератор анекдотів на основі GPT-2")

    with gr.Row():
        with gr.Column():
            text_input = gr.Textbox(label="Початкова фраза", value="")
            length_slider = gr.Slider(10, 200, value=20, step=1, label="Довжина відповіді")
            temp_slider = gr.Slider(0.1, 1.0, value=0.3, step=0.1, label="Температура")
            penalty_slider = gr.Slider(1.0, 2.0, value=1.5, step=0.1, label="Штраф за повторення")
            generate_button = gr.Button("Згенерувати")

        with gr.Column():
            output_box = gr.Textbox(label="Результат", lines=4)

    generate_button.click(
        fn=create_joke,
        inputs=[text_input, length_slider, temp_slider, penalty_slider],
        outputs=output_box
    )

app.launch()