app.py

import os
import math
import json
import logging
from datasets import load_dataset, concatenate_datasets #list_datasets, load_from_disk
from transformers import (
    AutoTokenizer,
    AutoModelForCausalLM,
    DataCollatorForLanguageModeling,
    TrainingArguments,
    Trainer,
    pipeline,
)
import evaluate # type: ignore
from huggingface_hub import login
from translate import Translator
from datasets import load_dataset, DownloadConfig



# Modelo base
MODEL_KEY = "EleutherAI/gpt-neo-125M"
tokenizer = AutoTokenizer.from_pretrained(MODEL_KEY)
model = AutoModelForCausalLM.from_pretrained(MODEL_KEY)
generator = pipeline("text-generation", model=model, tokenizer=tokenizer)

# Mapa de dominios y estilos por dataset
context_map = {
    "imdb": "Dom: Cine | Estilo: Opinión",
    "daily_dialog": "Dom: Conversación | Estilo: Diálogo diario",
    "go_emotions": "Dom: Emociones | Estilo: Clasificación emocional",
    "wikitext": "Dom: Enciclopedia | Estilo: Conocimiento general",
}

# Dataset de prueba
available_datasets = list(context_map.keys())

# Función para generar texto
def generate_text(dataset_name, sample_index, max_length):
    dataset = load_dataset(dataset_name, split="train[:1%]")  # Ligero
    if sample_index >= len(dataset):
        return "Índice fuera de rango."

    example = dataset[sample_index]
    text = example.get("text") or example.get("utterance") or example.get("content") or str(example)

    context = context_map.get(dataset_name, "Dom: Desconocido | Estilo: Desconocido")
    prompt = f"{context} | Entrada: {text}"
    output = generator(prompt, max_length=int(max_length), num_return_sequences=1)[0]["generated_text"]
    return output

# Traducción
def translate_text(text, lang):
    translator = Translator(to_lang=lang)
    try:
        return translator.translate(text)
    except Exception as e:
        return f"Error: {str(e)}"

# Interfaz con Gradio
with gr.Blocks() as demo:
    gr.Markdown("# 🧠 MultiDomain Text Generator + Translator")

    with gr.Tab("Generar desde dataset"):
        dataset_name = gr.Dropdown(choices=available_datasets, value="imdb", label="Elige dataset")
        sample_index = gr.Slider(minimum=30, maximum=200, step=1, label="Índice del ejemplo", value=0)
        max_len = gr.Slider(label="Longitud máxima", minimum=50, maximum=1024, step=4, value=104)
        output_text = gr.Textbox(label="Texto generado")
        btn_generate = gr.Button("Generar texto")
        btn_generate.click(generate_text, inputs=[dataset_name, sample_index, max_len], outputs=output_text)

    with gr.Tab("Traducir texto"):
        input_text = gr.Textbox(label="Texto a traducir")
        lang = gr.Textbox(label="Código de idioma destino", value="en")
        output_translation = gr.Textbox(label="Texto traducido")
        btn_translate = gr.Button("Traducir")
        btn_translate.click(translate_text, inputs=[input_text, lang], outputs=output_translation)

demo.launch()