Update app.py

app.py

@@ -1,26 +1,29 @@
 import gradio as gr
 from transformers import AutoModelForCausalLM, AutoTokenizer
 
-# Подключаем модель и токенизатор
+# Загружаем модель и токенизатор
 model_name = "distilgpt2"
 model = AutoModelForCausalLM.from_pretrained(model_name)
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 
-def respond(message, history, system_message, max_tokens, temperature, top_p):
-    messages = [{"role": "system", "content": system_message}]
-    
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
+def respond(
+    message,
+    history=None,
+    system_message=None,
+    max_tokens=512,
+    temperature=0.7,
+    top_p=0.95,
+):
+    if history is None:
+        history = []  # Инициализируем пустой список, если history не передан
 
-    messages.append({"role": "user", "content": message})
-
-    input_text = "\n".join([msg["content"] for msg in messages])
+    # Объединяем сообщения в историю
+    input_text = "\n".join([msg[1] for msg in history] + [message])
 
+    # Токенизация текста
     inputs = tokenizer(input_text, return_tensors="pt", truncation=True, padding=True)
 
+    # Генерация ответа
     outputs = model.generate(
         inputs["input_ids"],
         max_length=max_tokens,
@@ -30,19 +33,51 @@ def respond(message, history, system_message, max_tokens, temperature, top_p):
     )
 
     response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-    response += "\nСделано больницей EMS штата Alta!"
+
+    # Формируем ответ согласно шаблону
+    response = format_response(response)
+
     return response
 
+def format_response(response):
+    # Форматируем ответ в соответствии с шаблоном
+    diagnosis = extract_diagnosis(response)
+    operation = extract_operation(response)
+    treatment = extract_treatment(response)
+
+    formatted_response = f"Предварительный диагноз: {diagnosis}\nОперация: {operation}\nЛечение: {treatment}"
+
+    return formatted_response
+
+def extract_diagnosis(response):
+    # Простой способ извлечь диагноз (можно улучшить, используя NLP методы)
+    # Для упрощения примем, что диагноз будет первым упомянутым заболеванием.
+    # Нужно будет улучшить в будущем с использованием NLP инструментов.
+    diagnosis = response.split(".")[0]  # Пример: диагноз - первая часть ответа
+    return diagnosis.strip()
+
+def extract_operation(response):
+    # Извлекаем название операции из ответа
+    # Пример: операция - второе упоминание в ответе
+    operation = "Не требуется"  # Пример, что операция не требуется, можно настроить для реальных случаев
+    return operation.strip()
+
+def extract_treatment(response):
+    # Извлекаем лечение (например, лечение как последняя часть ответа)
+    treatment = response.split(".")[-1]  # Пример: лечение - последняя часть
+    return treatment.strip()
+
 # Интерфейс Gradio
 demo = gr.Interface(
     fn=respond,
     inputs=[
         gr.Textbox(value="Здравствуйте. Отвечай кратко...", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, label="Max Tokens"),
+        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max Tokens"),
         gr.Slider(minimum=0.1, maximum=4.0, value=0.7, label="Temperature"),
         gr.Slider(minimum=0.1, maximum=1.0, value=0.95, label="Top-p"),
     ],
     outputs="text",
 )
 
-demo.launch()
+if __name__ == "__main__":
+    demo.launch()