Create app.py

app.py

@@ -0,0 +1,101 @@
+import gradio as gr
+import torch
+from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
+
+# --- 1. Model ve Tokenizer'ı Yükle ---
+# Bu kısım sadece uygulama ilk başladığında bir kez çalışır.
+print("Model ve Tokenizer yükleniyor... Lütfen bekleyin.")
+
+model_id = "Qwen/Qwen1.5-7B-Chat"
+
+bnb_config = BitsAndBytesConfig(
+    load_in_4bit=True,
+    bnb_4bit_quant_type="nf4",
+    bnb_4bit_compute_dtype=torch.bfloat16
+)
+
+model = AutoModelForCausalLM.from_pretrained(
+    model_id,
+    quantization_config=bnb_config,
+    device_map="auto",
+    trust_remote_code=True
+)
+
+tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
+if tokenizer.pad_token is None:
+    tokenizer.pad_token = tokenizer.eos_token
+
+print("Model başarıyla yüklendi!")
+
+
+# --- 2. SQL Üretme Fonksiyonu ---
+# Bu fonksiyon, kullanıcı butona her bastığında çalışır.
+def generate_sql(user_question):
+    print(f"Yeni soru alındı: {user_question}")
+    
+    # Veritabanı şemasını doğrudan koda ekliyoruz.
+    schema = {
+        "Musteriler": ["musteri_id", "ad", "soyad", "sehir", "kayit_tarihi"],
+        "Kategoriler": ["kategori_id", "kategori_adi"],
+        "Urunler": ["urun_id", "urun_adi", "kategori_id", "fiyat"],
+        "Siparisler": ["siparis_id", "musteri_id", "siparis_tarihi"],
+        "SiparisDetaylari": ["detay_id", "siparis_id", "urun_id", "miktar"]
+    }
+    
+    schema_str = ""
+    for table, columns in schema.items():
+        schema_str += f"Tablo `{table}`: {', '.join(columns)}\n"
+        
+    system_prompt = "Sen, dünya standartlarında bir SQL sorgu üretme uzmanısın. Sağlanan şemaya harfiyen uymalı ve tabloları sadece doğru anahtarları kullanarak birleştirmelisin. Karmaşık problemleri çözmek için adım adım düşün ve birden fazla CTE kullan."
+    
+    messages = [
+        {"role": "system", "content": system_prompt},
+        {"role": "user", "content": f"Veritabanı Şeması:\n{schema_str}\nSoru: {user_question}"}
+    ]
+
+    prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
+    inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
+
+    outputs = model.generate(
+        **inputs,
+        max_new_tokens=600,
+        eos_token_id=tokenizer.eos_token_id,
+        pad_token_id=tokenizer.pad_token_id,
+        temperature=0.1,
+        top_p=0.9
+    )
+
+    response_ids = outputs[0][inputs.input_ids.shape[1]:]
+    generated_text = tokenizer.decode(response_ids, skip_special_tokens=True)
+
+    if '```sql' in generated_text:
+        generated_text = generated_text.split('```sql')[1]
+    if '```' in generated_text:
+        generated_text = generated_text.split('```')[0]
+        
+    print(f"Üretilen SQL:\n{generated_text.strip()}")
+    return generated_text.strip()
+
+
+# --- 3. Gradio Arayüzünü Oluştur ---
+# Web sayfasının görünümünü ve işlevselliğini tanımlar.
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# 🤖 Türkçe Soru-SQL Botu")
+    gr.Markdown("Veritabanı hakkında sormak istediğiniz soruyu Türkçe olarak yazın, sizin için SQL sorgusunu üretelim.")
+    
+    with gr.Row():
+        question_input = gr.Textbox(lines=5, label="Soru", placeholder="Örnek: Her müşterinin toplam harcamasını ve son sipariş tarihini listele.")
+        sql_output = gr.Textbox(lines=15, label="Üretilen SQL Sorgusu", interactive=False)
+
+    submit_button = gr.Button("SQL Üret")
+    
+    submit_button.click(
+        fn=generate_sql,
+        inputs=question_input,
+        outputs=sql_output
+    )
+    
+    gr.Markdown("---")
+    gr.Markdown("Bu demo, Alibaba Qwen1.5-7B modeli kullanılarak oluşturulmuştur.")
+
+demo.launch()