Teste 1

Dockerfile

@@ -0,0 +1,10 @@
+FROM python:3.10
+
+WORKDIR /code
+
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+COPY . .
+
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -0,0 +1,13 @@
+from fastapi import FastAPI
+from models import analise_sentimento
+from schemas import SentimentRequest, SentimentResponse
+
+app = FastAPI()
+
+@app.post("/analisar", response_model=SentimentResponse)
+async def analisar_sentimentos(request: SentimentRequest):
+    """
+
+    """
+    resposta_completa = analise_sentimento(request.text)
+    return SentimentResponse(sentiment=resposta_completa)

models.py

@@ -0,0 +1,38 @@
+from transformers import LlamaTokenizer, LlamaForCausalLM
+import torch
+
+# Carregamento do modelo
+def carregar_modelo():
+    tokenizer = LlamaTokenizer.from_pretrained("lzw1008/Emollama-7b")
+    model = LlamaForCausalLM.from_pretrained("lzw1008/Emollama-7b", device_map="auto")
+    return tokenizer, model
+
+tokenizer, model = carregar_modelo()
+
+def analise_sentimento(texto: str) -> str:
+    prompt = f"""Humano:
+Tarefa: Categorize a emoção expressada no texto como 'neutro ou sem emoção' ou identifique a presença de uma ou mais emoções das listadas (raiva, confusão, ansiedade, desgosto, medo, alegria, amor, otimismo, pessimismo, tristeza, surpresa, confiança).
+Texto: {texto}
+Esse texto contém a emoção:
+
+Assistente:"""
+
+    # Tokenização com padding e attention_mask
+    inputs = tokenizer(prompt, return_tensors="pt", padding=True).to(model.device)
+
+    # Geração com attention_mask explícita
+    with torch.no_grad():
+        generate_ids = model.generate(
+            inputs["input_ids"],
+            attention_mask=inputs["attention_mask"],
+            max_length=256,
+            do_sample=True,
+            top_p=0.95,
+            temperature=0.7,
+            pad_token_id=tokenizer.eos_token_id
+        )
+
+    # Decodificação completa
+    resposta = tokenizer.decode(generate_ids[0], skip_special_tokens=True)
+    
+    return resposta

requirements.txt

@@ -0,0 +1,4 @@
+fastapi
+uvicorn
+transformers
+torch

schemas.py

@@ -0,0 +1,7 @@
+from pydantic import BaseModel, Field
+
+class SentimentRequest(BaseModel):
+    text: str = Field(..., min_length=1, description="Texto para análise de sentimento")
+
+class SentimentResponse(BaseModel):
+    sentiment: str