Update app.py

app.py

@@ -1,95 +1,64 @@
 import gradio as gr
 import torch
 import numpy as np
-import os
+from chronos import Chronos2Pipeline
 
-# Kütüphane kontrolü
+# --- MODELİ YÜKLE ---
+print("🚀 Chronos-2 Modeli Yükleniyor...")
 try:
-    # DÜZELTME: Chronos2Pipeline kullanıyoruz
-    from chronos import Chronos2Pipeline
-    LIB_AVAILABLE = True
-except ImportError as e:
-    print(f"❌ Kütüphane Hatası: {e}")
-    LIB_ERROR = str(e)
-    LIB_AVAILABLE = False
-    # Fallback için
-    Chronos2Pipeline = None
-
-# Global Model Değişkeni
-pipeline = None
-MODEL_LOAD_ERROR = None
-
-# Modeli Yükleme Fonksiyonu
-def load_model():
-    global pipeline, MODEL_LOAD_ERROR
-    
-    if not LIB_AVAILABLE:
-        MODEL_LOAD_ERROR = f"chronos-forecasting kütüphanesi yüklü değil: {LIB_ERROR}"
-        return
-
-    try:
-        print("🚀 Chronos-2 Modeli Yükleniyor...")
-        # Free Tier (CPU) için optimize ayarlar
-        pipeline = Chronos2Pipeline.from_pretrained(
-            "amazon/chronos-2",
-            device_map="cpu",
-            dtype=torch.float32,
-        )
-        print("✅ Model Başarıyla Yüklendi!")
-    except Exception as e:
-        print(f"❌ Model Yükleme Hatası: {e}")
-        MODEL_LOAD_ERROR = str(e)
-
-# Başlangıçta yüklemeyi dene
-load_model()
+    pipeline = Chronos2Pipeline.from_pretrained(
+        "amazon/chronos-2",
+        device_map="cpu",
+        dtype=torch.float32,
+    )
+    print("✅ Model Başarıyla Yüklendi!")
+except Exception as e:
+    print(f"❌ Model Yükleme Hatası: {e}")
+    pipeline = None
 
 def predict(context_str, prediction_length):
-    """
-    Tahmin Fonksiyonu
-    """
-    # 1. Model Yüklü mü Kontrol Et
     if pipeline is None:
-        return f"Error: Model yüklenemedi. Sebep: {MODEL_LOAD_ERROR}"
+        return "Error: Model yüklenemedi."
 
     try:
-        # 2. Veriyi Hazırla
+        # 1. Veriyi Parçala
         series_strings = context_str.split('|')
         tensor_list = []
         
         for s in series_strings:
             clean_s = s.strip()
             if not clean_s: continue
+            # Veriyi listeye çevir
             data_list = [float(x) for x in clean_s.split(',')]
             tensor_list.append(data_list)
         
-        if not tensor_list:
-            return "Error: Veri boş."
+        if not tensor_list: return "Error: Veri boş."
 
-        # 3. Tensor Oluştur (1, Değişken, Zaman)
+        # 2. Tensor Oluştur (Batch, Variates, Time)
+        # Örn: (1, 5, 200)
         context_tensor = torch.tensor(tensor_list).unsqueeze(0)
         
-        # 4. Tahmin Yap
-        # Chronos2Pipeline.predict parametreleri
-        forecast = pipeline.predict(
-            context_tensor, 
-            prediction_length=int(prediction_length)
-        )
+        # --- KRİTİK KONTROL ---
+        # Eğer veri çok büyük veya çok küçükse (Outlier), model sapıtabilir.
+        # Fiyat verisi (ilk seri) 0 olmamalı.
+        if context_tensor[0, 0, -1] == 0:
+            return "Error: Son fiyat 0 olamaz."
+
+        # 3. Tahmin Yap
+        forecast = pipeline.predict(context_tensor, int(prediction_length))
+        
+        # 4. Sonucu Al
+        # Chronos-2 çok değişkenli tahminde, her değişken için tahmin üretebilir.
+        # Bizim hedefimiz FİYAT (0. indeks)
+        price_forecast = forecast[0] # İlk seri (Fiyat)
+        
+        # Medyanı al
+        future_price = price_forecast.quantile(0.5).item()
         
-        # 5. Sonucu Al (Medyan)
-        # Chronos-2 forecast nesnesi döner, quantile metodunu kullanırız.
-        # İlk serinin (Fiyat) sonucunu alıyoruz.
-        if hasattr(forecast[0], 'quantile'):
-             future_price = forecast[0].quantile(0.5).item()
-        else:
-             # Eğer tensör dönerse (Eski sürüm veya farklı yapı)
-             # Bu durumda numpy/torch medyanı alırız ama Chronos2Pipeline genelde nesne döner.
-             future_price = 0.0 # Fallback
-             
         return str(future_price)
 
     except Exception as e:
         return f"Error: {str(e)}"
 
-# Arayüzü Başlat
 iface = gr.Interface(fn=predict, inputs=["text", "number"], outputs="text")
 iface.launch()