Update app.py

app.py

@@ -1,64 +1,73 @@
-import gradio as gr
-from huggingface_hub import InferenceClient
-
 """
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
+Este script realiza las siguientes tareas:
+1. Carga archivos desde un directorio especificado utilizando la clase `Loader` del módulo `preprocess`.
+2. Procesa los archivos mediante limpieza de texto y división en fragmentos.
+3. Genera representaciones vectoriales de los textos utilizando `sentence-transformers`.
+4. Almacena los vectores en una base de datos Chroma para su posterior recuperación.
+5. Inicializa un modelo y ejecuta una interfaz para interactuar con los datos procesados.
+Módulos utilizados:
+- `preprocess`: Contiene la clase `Loader` para la carga y preprocesamiento de documentos.
+- `vdb`: Se asume que gestiona la base de datos vectorial.
+- `model_load`: Módulo para cargar el modelo de machine learning.
+- `st`: Se asume que proporciona la interfaz de usuario.
+Estructura del código:
+1. Define el directorio de los archivos a procesar.
+2. Carga los archivos y los procesa si el número de archivos es menor a 2.
+3. Si hay múltiples archivos, los procesa en un bucle y concatena los fragmentos.
+4. Genera embeddings utilizando `sentence-transformers/all-MiniLM-L12-v2`.
+5. Almacena los embeddings en ChromaDB y configura un recuperador basado en similitud.
+6. Carga el modelo de machine learning.
+7. Inicia la interfaz de usuario..
 """
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    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]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
+from langchain_community.vectorstores import Chroma
+from langchain_community.embeddings import HuggingFaceEmbeddings
+#from langchain_chroma import Chroma
+from tqdm.auto import tqdm
+#from chromadb.utils import embedding_functions
+from src.preprocess import Loader
+from src.vdb import EmbeddingGen
+import src.model_load
+import streamlit as st
 
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
-)
+if __name__=="__main__":
+    # Definición de directorio
+    archivo = [r"data/Calculo_Trascendentes_Tempranas_Zill_4t.pdf"]
+    
+    # Carga de archivos y procesamiento de texto
+    if len(archivo) < 2:
+        Load = Loader(archivo[0])
+        documentos = Load.load_docs()
+        textos_limpios = [Loader.limpiar_texto(texto=doc) for doc in documentos]
+        textos = Loader.splitter(texto=textos_limpios, chunk_size=500, chunk_overlap=50)
+    else:
+        textos = []
+        for i in range(len(archivo)):
+            Load = Loader(archivo)
+            documentos = Load.load_docs()
+            textos_limpios = [Load.limpiar_texto(texto=doc) for doc in documentos]
+            chunks = Load.splitter(texto=textos_limpios, chunk_size=500, chunk_overlap=50)
+            textos.extend(chunks)
+    
+    # Generación de embeddings y almacenamiento en base de datos ChromaDB
+    embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L12-v2")
+    persist_directory = "./persist_directory"
+    db = Chroma(persist_directory=persist_directory, embedding_function=embeddings.embed_documents)
+    vectorstore = Chroma.from_documents(textos[:10], embeddings, persist_directory="./chroma_db")    
+    print("Vectorizado terminado")
+    retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 3})
+    print("Carga del modelo")
+    # Carga del modelo y ejecución de la interfaz
+    qa_chain=src.model_load.load_model()
+    print("Lanzando interfaz")
+    def chatbot_response(message):
+        return src.model_load(message,retriever)
 
+    iface = gr.Interface(
+    fn=chatbot_response,
+    inputs=gr.Textbox(label="Escribe tu mensaje"),
+    outputs=gr.Textbox(label="Respuesta del chatbot"),
+    title="Chatbot Simple",
+    description="Interfaz simple de chatbot con Gradio."
+    )
 
-if __name__ == "__main__":
-    demo.launch()
+    iface.launch()