app.py

from transformers import AutoTokenizer, AutoModelForCausalLM
from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
import torch
# from huggingface_hub import log

# Cấu hình mô hình
MODEL = "Viet-Mistral/Vistral-7B-Chat"
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print('device =', device)

# Load mô hình và tokenizer
model = AutoModelForCausalLM.from_pretrained(
    'Viet-Mistral/Vistral-7B-Chat',
    torch_dtype=torch.bfloat16, # change to torch.float16 if you're using V100
    device_map="auto",
    use_cache=True,
    cache_dir='./hf_cache'
)

tokenizer = AutoTokenizer.from_pretrained(MODEL, cache_dir='./hf_cache')

lora_config = LoraConfig.from_pretrained(
    "thviet79/model-QA-medical",  # Thay bằng đường dẫn đến mô hình LoRA trên Hugging Face
    cache_dir='/workspace/thviet/hf_cache'
)

# Áp dụng cấu hình LoRA vào mô hình
model = get_peft_model(model, lora_config)

# def generate_output(input_text:str,
#                     top_p:float=0.95,
#                     top_k:int=40,
#                     temperature:float=0.1,
#                     repetition_penalty:float=1.05,
#                     max_new_tokens:int=768):
#     system_prompt = "Bạn là một trợ lí ảo Tiếng Việt về lĩnh vực y tế."
#     conversation = [{"role": "system", "content": system_prompt }]
#     human = f"Vui lòng trả lời câu hỏi sau: {input_text}"
#     conversation.append({"role": "user", "content": human })
    
#     # Chuyển các tensor đầu vào sang đúng thiết bị
#     input_ids = tokenizer.apply_chat_template(conversation, return_tensors="pt").to(device)
    
#     # Tạo đầu ra từ mô hình
#     out_ids = model.generate(
#         input_ids=input_ids,
#         max_new_tokens=768,
#         do_sample=True,
#         top_p=0.95,
#         top_k=40,
#         temperature=0.1,
#         repetition_penalty=1.05,
#     )
    
#     # Giải mã và in kết quả
#     assistant = tokenizer.batch_decode(out_ids[:, input_ids.size(1):], skip_special_tokens=True)[0].strip()
#     return assistant

def respond(
    message,
    history: list[tuple[str, str]],
    system_message: str,
    max_tokens,
    temperature,
    top_p,
):
    sys_prompt = "Bạn là một trợ lí ảo Tiếng Việt về lĩnh vực y tế."
    conversation = [{"role": "system", "content": sys_prompt}]
    

    for val in history:
        if val[0]:
            conversation.append({"role": "user", "content": val[0]})
        if val[1]:
            messages.append({"role": "assistant", "content": val[1]})

    conversation.append({"role": "user", "content": message})

    input_ids_list = tokenizer.apply_chat_template(conversation, return_tensors="pt").to(device)
    response = ""

    for message in tokenizer.batch_decode(model.generate(
        input_ids=input_ids,
        max_new_tokens=max_tokens,
        do_sample=True,
        top_p=top_p,
        temperature=temperature,
    )[:, input_ids_list.size(1):], skip_special_tokens=True):
        token = message.strip()
        response += token
        yield response

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__":
    demo.launch()