fix

Dockerfile

@@ -0,0 +1,17 @@
+# 1. 기반이 될 공식 파이썬 이미지를 지정. 3.9 버전 이상이면 안정적.
+FROM python:3.9
+
+# 2. 컨테이너 내부에 코드를 저장할 작업 폴더를 만듦.
+WORKDIR /code
+
+# 3. requirements.txt 파일을 먼저 복사해서 라이브러리를 설치.
+#    이렇게 하면 소스 코드가 바뀔 때마다 매번 라이브러리를 새로 설치하는 비효율을 막을 수 있음.
+COPY ./requirements.txt /code/requirements.txt
+RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
+
+# 4. 현재 폴더의 모든 파일(app.py 등)을 작업 폴더로 복사.
+COPY . .
+
+# 5. 모든 준비가 끝나면, 이 명령어로 서버를 실행.
+#    파일 이름이 app.py 이므로 'app:app'을 사용.
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -1,5 +1,3 @@
-# app.py
-
 import torch
 from fastapi import FastAPI
 from pydantic import BaseModel
@@ -9,8 +7,7 @@ import uvicorn
 # 1. FastAPI 앱 인스턴스 생성
 app = FastAPI()
 
-# 2. AI 모델과 토크나이저를 앱 시작 시 한번만 로딩 (매우 중요!)
-#    요청이 올 때마다 로딩하면 서버가 터져버릴 거야.
+# 2. AI 모델과 토크나이저를 앱 시작 시 한번만 로딩 (매우 중요)
 MODEL_ID = "Qwen/Qwen1.5-1.8B-Chat"
 
 # 메모리 효율을 위해 bfloat16 사용하고, accelerate 라이브러리로 하드웨어 자동 할당
@@ -21,7 +18,7 @@ model = AutoModelForCausalLM.from_pretrained(
     device_map="auto",
 )
 
-# Transformers 라이브러리의 pipeline을 사용하면 코드가 더 간결해져.
+# Transformers 라이브러리의 pipeline을 사용하면 코드가 더 간결해짐
 pipe = pipeline(
     "text-generation",
     model=model,
@@ -35,7 +32,7 @@ class TranslationRequest(BaseModel):
     target_lang: str # 'english' 또는 'japanese'
 
 # 4. API 엔드포인트(Endpoint) 생성
-#    "/translate" 라는 주소로 POST 요청이 들어왔을 때 이 함수가 실행돼.
+#    "/translate" 라는 주소로 POST 요청이 들어왔을 때 이 함수가 실행됨.
 @app.post("/translate")
 async def translate(request: TranslationRequest):
     korean_text = request.text