Update app.py

app.py

@@ -1,11 +1,25 @@
 import gradio as gr
 import torch
-from transformers import AutoTokenizer
+from transformers import AutoModelForCausalLM, AutoTokenizer
 import time
 from functools import wraps
-import sys
-import spaces  # Asegúrate de que este módulo esté disponible y correctamente instalado
-from model import GenerRNA  # Ahora que model.py existe, esto debería funcionar
+
+# Asegúrate de que el módulo 'spaces' esté disponible y correctamente instalado.
+# Si 'spaces.GPU' no está disponible, puedes omitir o implementar una alternativa.
+# En este ejemplo, se asume que 'spaces.GPU' es un decorador válido en tu entorno.
+
+try:
+    import spaces
+except ImportError:
+    # Si el módulo 'spaces' no está disponible, define un decorador vacío
+    # para evitar errores. Esto es útil si no estás utilizando características
+    # específicas de Hugging Face Spaces que requieran este decorador.
+    def GPU(duration):
+        def decorator(func):
+            return func
+        return decorator
+
+    spaces = type('spaces', (), {'GPU': GPU})
 
 # Decorador para medir el tiempo de ejecución
 def medir_tiempo(func):
@@ -19,8 +33,36 @@ def medir_tiempo(func):
         return resultado
     return wrapper
 
-# Decorador para asignar GPU durante la ejecución de la función
-@spaces.GPU(duration=120)  # Asigna GPU durante 120 segundos
+# Configurar el dispositivo (GPU si está disponible)
+device = "cuda" if torch.cuda.is_available() else "cpu"
+if device == "cpu":
+    print("Advertencia: CUDA no está disponible. Se usará la CPU, lo que puede ser lento.")
+
+# Cargar el tokenizador desde Hugging Face Hub
+model_name = "pfnet/GenerRNA"
+
+try:
+    print("Cargando el tokenizador desde Hugging Face Hub...")
+    tokenizer = AutoTokenizer.from_pretrained(model_name)
+except ValueError as e:
+    print(f"Error al cargar el tokenizador: {e}")
+    sys.exit(1)
+
+# Cargar el modelo desde Hugging Face Hub
+try:
+    print("Cargando el modelo GenerRNA desde Hugging Face Hub...")
+    model = AutoModelForCausalLM.from_pretrained(
+        model_name,
+        torch_dtype=torch.float16 if device == "cuda" else torch.float32,
+        revision="main"  # Asegúrate de que la rama correcta esté especificada
+    ).to(device)
+    model.eval()
+    print("Modelo GenerRNA cargado exitosamente.")
+except Exception as e:
+    print(f"Error al cargar el modelo GenerRNA: {e}")
+    sys.exit(1)
+
+@spaces.GPU(duration=120)  # Decorador para asignar GPU durante 120 segundos
 @medir_tiempo
 def generar_rna_sequence(prompt, max_length=256):
     """
@@ -54,33 +96,6 @@ def generar_rna_sequence(prompt, max_length=256):
         print(f"Error durante la generación de secuencia: {e}")
         return f"Error al generar la secuencia: {e}"
 
-# Configurar el dispositivo (GPU si está disponible)
-device = "cuda" if torch.cuda.is_available() else "cpu"
-if device == "cpu":
-    print("Advertencia: CUDA no está disponible. Se usará la CPU, lo que puede ser lento.")
-
-# Cargar el tokenizador
-try:
-    print("Cargando el tokenizador...")
-    tokenizer = AutoTokenizer.from_pretrained("tokenizer_bpe_1024")
-except ValueError as e:
-    print(f"Error al cargar el tokenizador: {e}")
-    sys.exit(1)
-
-# Cargar el modelo GenerRNA
-try:
-    print("Cargando el modelo GenerRNA...")
-    # Cargar la configuración del modelo si es necesario
-    config = GPT2Config.from_pretrained("tokenizer_bpe_1024")  # Ajusta el path si tienes una configuración específica
-    model = GenerRNA(config)  # Instancia tu modelo personalizado
-    model.load_state_dict(torch.load("model.pt.recombined", map_location=device))
-    model.to(device)
-    model.eval()
-    print("Modelo GenerRNA cargado exitosamente.")
-except Exception as e:
-    print(f"Error al cargar el modelo GenerRNA: {e}")
-    sys.exit(1)
-
 # Definir la interfaz de Gradio
 titulo = "GenerRNA - Generador de Secuencias de RNA"
 descripcion = (