Update app.py

app.py

@@ -5,6 +5,13 @@ import os
 import csv
 from transformers import AutoModelForCausalLM, AutoTokenizer
 from huggingface_hub import login
+import spaces
+
+@spaces.GPU
+def confirm_gpu():
+    import torch
+    return torch.cuda.is_available()
+
 login(os.environ["HF_TOKEN"])
 
 model_name = "atorojaen/DeepSeekMisogyny"
@@ -16,26 +23,22 @@ model = AutoModelForCausalLM.from_pretrained(
     device_map="auto"
 )
 
+assert torch.cuda.is_available(), "CUDA no está disponible"
+
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 model.eval()
 
-
 FLAG_FILE = "flags_data/flags.csv"
 os.makedirs(os.path.dirname(FLAG_FILE), exist_ok=True)
 
 def clean_lyrics(text):
-    # Elimina caracteres no alfabéticos (excepto espacios y letras acentuadas comunes en español)
     text = re.sub(r"[^a-zA-ZáéíóúñüÁÉÍÓÚÑÜ ]+", " ", text)
-    # Convierte a minúsculas
     text = text.lower()
-    # Reduce espacios múltiples
     text = re.sub(r"\s+", " ", text).strip()
     return text
 
-# Función de predicción
 def detect_misogyny(text):
     cleaned_text = clean_lyrics(text)
-    # Construir el prompt de entrada
     prompt = """
             ### Instruccion
             Analiza la siguiente letra de canción y determina si contiene contenido misógino. Evalúa si incluye lenguaje, actitudes o mensajes que:
@@ -51,7 +54,6 @@ def detect_misogyny(text):
 
             ### Respuesta:
             <think>"""
-    
     prompt = prompt.format(lyrics=text)
 
     inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
@@ -64,20 +66,15 @@ def detect_misogyny(text):
         )
     response = tokenizer.decode(outputs[0], skip_special_tokens=True)
 
-    # Extraer explicación entre <think>...</think>
     explanation_match = re.search(r"<think>(.*?)</think>", response, re.DOTALL)
     explanation = explanation_match.group(1).strip() if explanation_match else ""
 
-    # Extraer "1" o "0" después de </think>
     label_match = re.search(r"</think>\s*(\d)", response)
     label = label_match.group(1) if label_match else ""
 
-    # Combinar resultado final
     return f"{explanation}\n\nRespuesta final: {label}" if explanation and label else response.strip()
 
-
 def save_flag(user_text, response, flag_type):
-    # Guarda la entrada, salida y si fue correcta o incorrecta en CSV
     with open(FLAG_FILE, mode="a", newline="", encoding="utf-8") as f:
         writer = csv.writer(f)
         writer.writerow([user_text, response, flag_type])
@@ -86,13 +83,12 @@ def save_flag(user_text, response, flag_type):
 with gr.Blocks() as demo:
     user_input = gr.Textbox(label="Letra de canción", lines=10)
     result = gr.Textbox(label="Respuesta del modelo", lines=10)
-    
+
     btn_analizar = gr.Button("Analizar")
     btn_correcto = gr.Button("Respuesta correcta")
     btn_incorrecto = gr.Button("Respuesta incorrecta")
-    
+
     btn_analizar.click(fn=detect_misogyny, inputs=user_input, outputs=result)
-    
     btn_correcto.click(fn=save_flag, inputs=[user_input, result, gr.State("correcto")], outputs=result)
     btn_incorrecto.click(fn=save_flag, inputs=[user_input, result, gr.State("incorrecto")], outputs=result)