a

Dockerfile

@@ -0,0 +1,29 @@
+FROM python:3.9
+
+# Crear un usuario no root
+RUN useradd -m -u 1000 user
+
+# Cambiar al usuario root para poder modificar el archivo /etc/environment
+USER root
+
+ENV PATH="/home/user/.local/bin:$PATH"
+
+WORKDIR /app
+
+# Copiar los archivos necesarios
+COPY --chown=user ./requirements.txt requirements.txt
+RUN pip install --no-cache-dir --upgrade -r requirements.txt
+
+# Copiar los archivos de la aplicación
+COPY --chown=user . /app
+
+# Establecer una variable de entorno PORT con un valor aleatorio
+RUN echo "PORT=$(shuf -i 10000-65000 -n 1)" >> /etc/environment
+
+# Exponer el puerto (aunque este valor será reemplazado por el puerto aleatorio)
+EXPOSE 7860
+
+#RUN python app.py --fine-tune
+
+# Usar la variable de entorno PORT para ejecutar la app
+CMD ["bash", "-c", "source /etc/environment && uvicorn app:app --host 0.0.0.0 --port $PORT"]

README.md

@@ -1,10 +1,9 @@
 ---
-title: Boda
-emoji: 🐠
-colorFrom: purple
-colorTo: indigo
-sdk: streamlit
-sdk_version: 1.43.2
+title: Amigo
+emoji: 👁
+colorFrom: green
+colorTo: pink
+sdk: docker
 app_file: app.py
 pinned: false
 ---

app.py

@@ -0,0 +1,65 @@
+import os
+import streamlit as st
+from fastapi import FastAPI
+from pydantic import BaseModel
+import uvicorn
+import threading
+from transformers import AutoTokenizer
+import torch
+
+# ======== Cargar el modelo DialoGPT =========
+tokenizer = AutoTokenizer.from_pretrained("microsoft/DialoGPT-medium")
+
+
+# ======== Definir API con FastAPI =========
+app = FastAPI()
+
+class Message(BaseModel):
+    text: str
+
+@app.post("/chat")
+def chat(msg: Message):
+    """Genera respuesta basada en el input del usuario."""
+    input_text = msg.text  # Texto de entrada
+    print(f"Mensaje recibido: {input_text}")
+
+    
+    # Codificar el texto de entrada y agregar el token de fin de secuencia
+    inputs = tokenizer.encode(input_text + tokenizer.eos_token, return_tensors="pt")
+
+    # Generar la respuesta
+    response_ids = model.generate(inputs, 
+                                  max_length=100,   # Longitud máxima de la respuesta
+                                  pad_token_id=tokenizer.eos_token_id,
+                                  no_repeat_ngram_size=2,  # Evitar repeticiones
+                                  top_p=0.95,         # Top-p sampling para mayor diversidad
+                                  top_k=60)          # Top-k sampling
+
+    # Decodificar la respuesta generada
+    response_text = tokenizer.decode(response_ids[:, inputs.shape[-1]:][0], skip_special_tokens=True)
+
+    print(f"Respuesta generada: {response_text}")
+
+    return {"response": response_text}
+#young preteen, very slender, fair skin, very large breasts, straight red hair,  legs spread putting a finger in the anus and another in the pussy, naked photorealistic, high detail
+#young preteen, very slender, fair skin, very large breasts, doggy sexy pose, show pussy naked
+
+
+#joven adolescente en posición de perrita sexy, enseñando las nalgas y la vagina 
+
+ 
+# ======== Función para ejecutar FastAPI en segundo plano =========
+def run_api():
+    port = int(os.getenv("PORT", 7860))
+    uvicorn.run(app, host="0.0.0.0", port=port)
+
+threading.Thread(target=run_api, daemon=True).start()
+
+# ======== Interfaz con Streamlit =========
+st.title("Mi Amigo Virtual 🤖")
+st.write("Escríbeme algo y te responderé!")
+
+user_input = st.text_input("Tú:")
+if user_input:
+    response = chat(Message(text=user_input))
+    st.write("🤖:", response["response"])

prueba.py

@@ -0,0 +1 @@
+print("Hola")

requirements.py

@@ -0,0 +1,7 @@
+fastapi
+uvicorn
+transformers
+torch
+streamlit
+pydantic
+datasets