File size: 3,433 Bytes
3fe712e 003aab4 3fe712e 57da3c7 bbf7982 57da3c7 3fe712e 57da3c7 3fe712e 57da3c7 003aab4 3fe712e 003aab4 85fc09e 003aab4 85fc09e 003aab4 57da3c7 003aab4 85fc09e 42e0859 bbf7982 003aab4 bbf7982 d74f4a3 003aab4 bbf7982 510bb7e 7949d6d bbf7982 5bf98dd a19aaf0 5bf98dd a19aaf0 5bf98dd a19aaf0 7949d6d a19aaf0 bbf7982 003aab4 57da3c7 003aab4 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 |
#load package
from fastapi import FastAPI
from pydantic import BaseModel
import torch
from transformers import (
AutoModelForCausalLM,
AutoTokenizer
)
from typing import List, Tuple
from threading import Thread
import os
from pydantic import BaseModel
import logging
import uvicorn
# Configurer les répertoires de cache
os.environ['TRANSFORMERS_CACHE'] = '/app/.cache'
os.environ['HF_HOME'] = '/app/.cache'
# Charger le modèle et le tokenizer
model = AutoModelForCausalLM.from_pretrained("THUDM/longwriter-glm4-9b", trust_remote_code=True, device_map='auto')
tokenizer = AutoTokenizer.from_pretrained("THUDM/longwriter-glm4-9b", trust_remote_code=True)
#Additional information
Informations = """
-text : Texte à resumé
output:
- Text summary : texte resumé
"""
app =FastAPI(
title='Text Summary',
description =Informations
)
default_prompt = """Bonjour,
En tant qu’expert en gestion des plaintes réseaux, rédige un descriptif clair de la plainte ci-dessous. Résume la situation en 4 ou 5 phrases concises, en mettant l'accent sur :
1. **Informations Client** : Indique des détails pertinents sur le client.
2. **Dates et Délais** : Mentionne les dates clés et les délais (prise en charge, résolution, etc.).
3. **Contexte et Détails** : Inclut les éléments essentiels de la plainte (titre, détails, états d’avancement, qualification, fichiers joints).
Ajoute une recommandation importante pour éviter le mécontentement du client, par exemple, en cas de service non fourni malgré le paiement. Adapte le ton pour qu'il soit humain et engageant.
Merci !
"""
#class to define the input text
logging.basicConfig(level=logging.INFO)
logger =logging.getLogger(__name__)
# Définir le modèle de requête
class PredictionRequest(BaseModel):
text: str = None # Texte personnalisé ajouté par l'utilisateur
# max_length: int = 2000 # Limite la longueur maximale du texte généré
@app.post("/predict/")
async def predict(request: PredictionRequest):
if request.text:
prompt = default_prompt + "\n\n" + request.text
else:
prompt = default_prompt
# Assurez-vous que le pad_token est défini
if tokenizer.pad_token is None:
tokenizer.pad_token = tokenizer.eos_token
# Définir une longueur maximale arbitraire pour la tokenization
max_length = 1024 # Vous pouvez ajuster cette valeur selon vos besoins
# Tokenize l'entrée sans troncation automatique
inputs = tokenizer(
prompt,
return_tensors="pt",
padding=True,
truncation=False,
max_length=None # Pas de longueur maximale pour la tokenization
)
# Tronquer manuellement si nécessaire
if inputs.input_ids.shape[1] > max_length:
inputs.input_ids = inputs.input_ids[:, :max_length]
inputs.attention_mask = inputs.attention_mask[:, :max_length]
input_ids = inputs.input_ids.to(model.device)
attention_mask = inputs.attention_mask.to(model.device)
# Générez le texte en passant l'attention mask
outputs = model.generate(
input_ids,
attention_mask=attention_mask,
max_length=3000, # Longueur maximale pour la génération
do_sample=True
)
generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
return {"generated_text": generated_text}
if __name__ == "__main__":
uvicorn.run("app:app",reload=True)
|