Create main.py

main.py

@@ -0,0 +1,48 @@
+# main.py
+
+from fastapi import FastAPI
+from pydantic import BaseModel
+from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM
+
+app = FastAPI()
+
+# تعريف نموذج البيانات للطلب: يحتوي على حقل واحد "input" (النص المرسل من العميل)
+class GenerateRequest(BaseModel):
+    input: str  # جملة المُدخل (مثال: "اسمي محمد")
+
+# تحميل النموذج والـ tokenizer من مكتبة Hugging Face
+# هنا نستخدم مثال akhooli/gpt2-small-arabic (137M معلمات):contentReference[oaicite:3]{index=3}.
+# نستخدم device=-1 لاستخدام الـ CPU فقط (Hot GPU غير متاح في خطة Spaces المجانية).
+model_name = "akhooli/gpt2-small-arabic"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForCausalLM.from_pretrained(model_name)
+generator = pipeline("text-generation", model=model, tokenizer=tokenizer, device=-1)
+
+@app.post("/generate")
+def generate_greeting(request: GenerateRequest):
+    # استخراج النص المرسل في الطلب
+    user_input = request.input.strip()
+    if not user_input:
+        # في حال كان الحقل فارغاً، نرجع رسالة خطأ بسيطة
+        return {"response": "الرجاء تزويد جملة صحيحة في الحقل 'input'."}
+
+    # استخدم النموذج لتوليد نص ترحيبي بناءً على المدخل
+    # نحدد بعض معايير التوليد مثل max_new_tokens و top_p لتحسين الجودة.
+    result = generator(
+        user_input,
+        max_new_tokens=50,      # الحد الأقصى لعدد الرموز الجديدة المولدة
+        do_sample=True,         # استخدام التوليد العشوائي (Sampling) بدلًا من التوليد الحتمي
+        top_p=0.95,             # لتحسين التنوع
+        return_full_text=False  # لإرجاع الجزء المولد فقط (بدون نص المدخل الأصلي)
+    )
+
+    # الحصول على النص المولد وترتيبه
+    generated_text = result[0]['generated_text'].strip()
+
+    # في بعض الأحيان قد يبدأ النص المولد بحرف بليغ أو فاصلة، لذا نزيل أي علامات ترقيم غير ضرورية في البداية
+    greeting = generated_text
+    # تأكد من أن الرد ليس فارغاً تماماً
+    if greeting == "":
+        greeting = "مرحباً!"
+
+    return {"response": greeting}