Update app.py

app.py

@@ -1,13 +1,69 @@
-import gradio as gr
+import os
+from flask import Flask, request, jsonify
+import torch
 from transformers import AutoTokenizer, AutoModelForCausalLM
+from huggingface_hub import login
 
-tokenizer = AutoTokenizer.from_pretrained("IlyaGusev/saiga_gemma2_10b")
-model = AutoModelForCausalLM.from_pretrained("IlyaGusev/saiga_gemma2_10b")
+app = Flask(__name__)
 
-def generate_text(prompt):
-    input_ids = tokenizer.encode(prompt, return_tensors="pt")
-    output = model.generate(input_ids, max_length=50)
-    return tokenizer.decode(output[0], skip_special_tokens=True)
+def init_model():
+    global model, tokenizer
+    hf_token = os.getenv("HF_TOKEN")  # Чтение токена из переменной окружения
 
-iface = gr.Interface(fn=generate_text, inputs="text", outputs="text")
-iface.launch()
+    if hf_token is None:
+        raise ValueError("Hugging Face token is not set. Please set the HF_TOKEN environment variable.")
+
+    # Аутентификация с использованием токена
+    login(hf_token, add_to_git_credential=True)
+
+    # Загрузка модели и токенизатора без квантования и без распределения на CPU/диск
+    tokenizer = AutoTokenizer.from_pretrained("IlyaGusev/saiga_gemma2_10b", token=hf_token)
+    model = AutoModelForCausalLM.from_pretrained(
+        "IlyaGusev/saiga_gemma2_10b",
+        token=hf_token,
+        torch_dtype=torch.float16,  # Использование float16 для уменьшения потребления памяти
+        device_map=None  # Не использовать автоматическое распределение на CPU/диск
+    )
+
+    # Явное перемещение модели на GPU, если доступно
+    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+    model.to(device)
+
+@app.route('/generate', methods=['POST'])
+def generate_response():
+    try:
+        data = request.get_json()
+        print(f"Received data: {data}")
+
+        prompt = data.get('prompt', '')
+        max_length = data.get('max_length', 100)
+        temperature = data.get('temperature', 0.7)
+        top_p = data.get('top_p', 0.85)
+        repetition_penalty = data.get('repetition_penalty', 1.1)
+
+        input_ids = tokenizer.encode(prompt, return_tensors="pt").to(model.device)
+        attention_mask = torch.ones_like(input_ids).to(model.device)
+
+        output = model.generate(
+            input_ids,
+            attention_mask=attention_mask,
+            max_length=max_length,
+            temperature=temperature,
+            top_p=top_p,
+            repetition_penalty=repetition_penalty,
+            do_sample=True,
+            num_return_sequences=1,
+            pad_token_id=tokenizer.eos_token_id
+        )
+        print(f"Generated output: {output}")
+        response_text = tokenizer.decode(output[0], skip_special_tokens=True)
+        print(f"Generated response: {response_text}")
+        return jsonify({"response": response_text})
+
+    except Exception as e:
+        print(f"Error: {str(e)}")
+        return jsonify({"response": "Извините, произошла ошибка при генерации ответа."}), 500
+
+if __name__ == "__main__":
+    init_model()
+    app.run(host='0.0.0.0', port=7860)