app-test-train.py

#!/usr/bin/env python
# -*- coding: utf-8 -*- 

import os 
from huggingface_hub import login
import gradio as gr
#from transformers import pipeline 
import torch
from utils import *
from presets import *
from transformers import Trainer, TrainingArguments
import numpy as np
import evaluate
import pandas as pd
import sklearn
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, recall_score, precision_score, f1_score


#####################################################
#Hilfsfunktionen für das Testen
#####################################################
   #Generate Response - nach dem training testen, wie es funktioniert
def generate_response(prompt, model, tokenizer):
    input_ids = tokenizer.encode(prompt, return_tensors="pt")
    output = model.generate(input_ids, max_length=100)
    response = tokenizer.decode(output[:, input_ids.shape[-1]:][0], skip_special_tokens=True)
    return response



def generate_prompt_with_history(text, history, tokenizer, max_length=2048):
    #prompt = "The following is a conversation between a human and an AI assistant named Baize (named after a mythical creature in Chinese folklore). Baize is an open-source AI assistant developed by UCSD and Sun Yat-Sen University. The human and the AI assistant take turns chatting. Human statements start with [|Human|] and AI assistant statements start with [|AI|]. The AI assistant always provides responses in as much detail as possible, and in Markdown format. The AI assistant always declines to engage with topics, questions and instructions related to unethical, controversial, or sensitive issues. Complete the transcript in exactly that format.\n[|Human|]Hello!\n[|AI|]Hi!"   
    prompt = "Das folgende ist eine Unterhaltung zwischen einem Menschen und einem KI-Assistenten, der Baize genannt wird. Baize ist ein open-source KI-Assistent, der von UCSD entwickelt wurde. Der Mensch und der KI-Assistent chatten abwechselnd miteinander in deutsch. Die Antworten des KI Assistenten sind immer so ausführlich wie möglich und in Markdown Schreibweise und in deutscher Sprache. Wenn nötig übersetzt er sie ins Deutsche. Die Antworten des KI-Assistenten vermeiden Themen und Antworten zu unethischen, kontroversen oder sensiblen Themen. Die Antworten sind immer sehr höflich formuliert..\n[|Human|]Hallo!\n[|AI|]Hi!"   
    history = ["\n[|Human|]{}\n[|AI|]{}".format(x[0],x[1]) for x in history]
    history.append("\n[|Human|]{}\n[|AI|]".format(text))
    history_text = ""
    flag = False
    for x in history[::-1]:
        if tokenizer(prompt+history_text+x, return_tensors="pt")['input_ids'].size(-1) <= max_length:
            history_text = x + history_text
            flag = True
        else:
            break
    if flag:
        return  prompt+history_text,tokenizer(prompt+history_text, return_tensors="pt")
    else:
        return None



def load_tokenizer_and_model(base_model, load_8bit=False):
    if torch.cuda.is_available():
        device = "cuda"
    else:
        device = "cpu"

    tokenizer = AutoTokenizer.from_pretrained(base_model, use_fast = True, use_auth_token=True)
    if device == "cuda":
        model = AutoModelForCausalLM.from_pretrained(
            base_model,
            load_in_8bit=load_8bit,
            torch_dtype=torch.float16,
            device_map="auto",
            use_auth_token=True
        )
    else:
        model = AutoModelForCausalLM.from_pretrained(
            base_model, device_map={"": device}, low_cpu_mem_usage=True
        )

    #if not load_8bit:
        #model.half()  # seems to fix bugs for some users.

    model.eval()
    return tokenizer,model, device


###################################################################################
###################################################################################    

#######################################
# Load model
print("load model_neu")
login(token=os.environ["HF_ACCESS_TOKEN"]) 
model_name_neu = "alexkueck/test-tis-1"

model_neu, tokenizer_neu, device_neu = load_tokenizer_and_model(model_name_neu, False)
print("done load")



##############################################
#Testen des fine-tuned Modells
############################
print("Test")
prompt = "Was ist ein TIS?"

#####################################
#mit generate_response - nicht bei allen Tikenizern möglich
#response = generate_response(prompt, model_neu, tokenizer_neu)
#print(response)
#print("response done")


'''
#######################################
#Encoding Tokenizer..
#encoding = tokenizer(text, return_tensors="pt")
#encoding = {k: v.to(trainer.model.device) for k,v in encoding.items()}
#outputs = trainer.model(**encoding)
#logits = outputs.logits
#print(logits.shape)
#greedy_output = model.generate(input_ids, max_length=50)
print("Output:\n" )
#print(tokenizer.decode(outputs[0], skip_special_tokens=True))
'''

########################################
#mit der predict Funktion
print("Predict")   #[['|Human|'], ['|AI|']]
antwort = predict(model_neu, tokenizer, device_neu, prompt,  ['\n[|Human|]Was ist TIS?\n[|AI|]'] , top_p=5,
            temperature=0.8,
            max_length_tokens=1024,
            max_context_length_tokens=2048,)
print(antwort)
print("done Predict")



#######################################################################
#Darstellung mit Gradio
'''
with gr.Blocks() as demo:
    name = gr.Textbox(label="Model")
    output = gr.Textbox(label="Output Box")
    start_btn = gr.Button("Start")
    start_btn.click(fn=trainieren_neu, inputs=name, outputs=output, api_name="trainieren_neu")
demo.queue(default_enabled=True).launch(debug=True) 
'''