Delete app.py

app.py

@@ -1,148 +0,0 @@
-import os
-import gradio as gr
-import pandas as pd
-import comtradeapicall
-import spaces
-from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
-from deep_translator import GoogleTranslator
-import torch
-
-# تنظیم متغیر محیطی برای دیباگ CUDA
-os.environ["CUDA_LAUNCH_BLOCKING"] = "1"
-
-# کلید COMTRADE
-subscription_key = os.getenv("COMTRADE_API_KEY", "")
-# توکن Hugging Face
-hf_token = os.getenv("HF_API_TOKEN")
-
-# تعریف مترجم
-translator = GoogleTranslator(source='en', target='fa')
-
-# تنظیم کوانت‌سازی برای کاهش مصرف حافظه
-quantization_config = BitsAndBytesConfig(load_in_4bit=True)
-
-# بارگذاری توکنایزر و مدل
-try:
-    tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b-it", token=hf_token)
-    model = AutoModelForCausalLM.from_pretrained(
-        "google/gemma-2b-it",
-        token=hf_token,
-        quantization_config=quantization_config,
-        device_map="auto",
-        torch_dtype=torch.float16
-    )
-except Exception as e:
-    print(f"خطا در بارگذاری مدل: {str(e)}")
-    raise e
-
-# تنظیم صریح pad_token_id
-if tokenizer.pad_token_id is None:
-    tokenizer.pad_token_id = tokenizer.eos_token_id
-
-# تابع دریافت اطلاعات واردکنندگان
-def get_importers(hs_code: str, year: str, month: str):
-    period = f"{year}{int(month):02d}"
-    df = comtradeapicall.previewFinalData(
-        typeCode='C', freqCode='M', clCode='HS', period=period,
-        reporterCode=None, cmdCode=hs_code, flowCode='M',
-        partnerCode=None, partner2Code=None,
-        customsCode=None, motCode=None,
-        maxRecords=500, includeDesc=True
-    )
-    if df is None or df.empty:
-        return pd.DataFrame(columns=["کد کشور", "نام کشور", "ارزش CIF"])
-    df = df[df['cifvalue'] > 0]
-    result = (
-        df.groupby(["reporterCode", "reporterDesc"], as_index=False)
-          .agg({"cifvalue": "sum"})
-          .sort_values("cifvalue", ascending=False)
-    )
-    result.columns = ["کد کشور", "نام کشور", "ارزش CIF"]
-    return result
-
-# تابع ارائه مشاوره با استفاده از GPU
-@spaces.GPU(duration=120)
-def provide_advice(table_data: pd.DataFrame, hs_code: str, year: str, month: str):
-    if table_data is None or table_data.empty:
-        return "ابتدا باید اطلاعات واردات را نمایش دهید."
-    
-    table_str = table_data.to_string(index=False)
-    period = f"{year}/{int(month):02d}"
-    # پرامپت بهینه‌شده
-    prompt = (
-        f"Table of countries importing HS code {hs_code} in {period}:\n{table_str}\n\n"
-        f"Analyze market opportunities and cultural/economic factors in one paragraph. "
-        f"Provide strategic recommendations for exporters in another paragraph."
-    )
-    print("پرامپت ساخته‌شده:")
-    print(prompt)
-
-    try:
-        # آماده‌سازی ورودی برای مدل
-        inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=512)
-        input_ids = inputs.input_ids.to("cuda")
-        attention_mask = inputs.attention_mask.to("cuda")
-        
-        # تولید خروجی
-        outputs = model.generate(
-            input_ids=input_ids,
-            attention_mask=attention_mask,
-            max_new_tokens=512,
-            do_sample=True,
-            temperature=0.7,
-            top_p=0.9,
-            pad_token_id=tokenizer.eos_token_id
-        )
-        # دیکد کردن خروجی و حذف پرامپت
-        generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
-        # حذف پرامپت از خروجی
-        if generated_text.startswith(prompt):
-            generated_text = generated_text[len(prompt):].strip()
-        
-        # بررسی اینکه خروجی خالی نباشد
-        if not generated_text:
-            return "مدل نتوانست پاسخ مناسبی تولید کند. لطفاً دوباره امتحان کنید."
-        
-        print("خروجی مدل دریافت شد (به انگلیسی):")
-        print(generated_text)
-
-        # ترجمه خروجی به فارسی
-        translated_outputs = translator.translate(generated_text)
-        print("خروجی ترجمه‌شده به فارسی:")
-        print(translated_outputs)
-        return translated_outputs
-    except Exception as e:
-        error_msg = f"خطا در تولید مشاوره: {str(e)}"
-        print(error_msg)
-        return error_msg
-
-# تنظیمات رابط Gradio
-current_year = pd.Timestamp.now().year
-years = [str(y) for y in range(2000, current_year+1)]
-months = [str(m) for m in range(1, 13)]
-
-with gr.Blocks() as demo:
-    gr.Markdown("##تولید شده توسط DIGINORON نمایش کشورهایی که یک کالا را وارد کرده‌اند")
-    with gr.Row():
-        inp_hs = gr.Textbox(label="HS Code")
-        inp_year = gr.Dropdown(choices=years, label="سال", value=str(current_year))
-        inp_month = gr.Dropdown(choices=months, label="ماه", value=str(pd.Timestamp.now().month))
-    btn_show = gr.Button("نمایش اطلاعات")
-    out_table = gr.Dataframe(
-        headers=["کد کشور", "نام کشور", "ارزش CIF"],
-        datatype=["number", "text", "number"],
-        interactive=True,
-    )
-    btn_show.click(get_importers, [inp_hs, inp_year, inp_month], out_table)
-
-    btn_advice = gr.Button("ارائه مشاوره تخصصی")
-    out_advice = gr.Textbox(label="مشاوره تخصصی", lines=6)
-
-    btn_advice.click(
-        provide_advice,
-        inputs=[out_table, inp_hs, inp_year, inp_month],
-        outputs=out_advice
-    )
-
-if __name__ == "__main__":
-    demo.launch()