go train

app.py

@@ -1,64 +1,51 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
+import torch
+from transformers import AutoModelForSeq2SeqLM, AutoTokenizer, Trainer, TrainingArguments
+from datasets import load_dataset
+
+# Carica il dataset dal file JSONL
+dataset = load_dataset("json", data_files="data.jsonl")
+
+# Definisci il modello e il tokenizer
+model_name = "google/flan-t5-small"  # Puoi scegliere un modello T5 base per semplicità
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
+
+# Tokenizza il dataset
+def preprocess_data(example):
+    input_text = example["question"]
+    target_text = example["answer"]
+    inputs = tokenizer(input_text, padding="max_length", truncation=True, max_length=128)
+    targets = tokenizer(target_text, padding="max_length", truncation=True, max_length=128)
+    inputs["labels"] = targets["input_ids"]
+    return inputs
+
+tokenized_dataset = dataset.map(preprocess_data, batched=True)
+
+# Configura i parametri di addestramento
+training_args = TrainingArguments(
+    output_dir="./results",
+    evaluation_strategy="epoch",
+    learning_rate=2e-5,
+    per_device_train_batch_size=4,
+    num_train_epochs=3,
+    weight_decay=0.01,
+)
 
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
+# Inizializza il Trainer
+trainer = Trainer(
+    model=model,
+    args=training_args,
+    train_dataset=tokenized_dataset["train"]
 )
 
+# Funzione di Gradio per effettuare previsioni
+def answer_question(question):
+    inputs = tokenizer(question, return_tensors="pt", padding="max_length", truncation=True, max_length=128)
+    outputs = model.generate(inputs["input_ids"], max_length=50)
+    answer = tokenizer.decode(outputs[0], skip_special_tokens=True)
+    return answer
 
-if __name__ == "__main__":
-    demo.launch()
+# Interfaccia Gradio
+iface = gr.Interface(fn=answer_question, inputs="text", outputs="text")
+iface.launch()

data.csv

@@ -0,0 +1,12 @@
+question,answer
+"Qual è il nome del mio cane?","Si chiama Lucky"
+"Cos'è FalconScript?", "FalconScript è un linguaggio di programmazione immaginario progettato per lo sviluppo rapido di applicazioni di intelligenza artificiale su sistemi embedded."
+"Quali sono le caratteristiche principali di FalconScript?", "Le caratteristiche principali includono la sintassi simile a Python, ottimizzazioni per l'uso su dispositivi con risorse limitate, e una libreria nativa di funzioni AI."
+"Come si dichiara una variabile in FalconScript?", "In FalconScript, puoi dichiarare una variabile usando la parola chiave 'let'. Esempio: let x = 10."
+"FalconScript supporta il multithreading?", "Sì, FalconScript include un sistema di gestione dei thread che permette l'esecuzione parallela di operazioni."
+"Qual è il comando per eseguire uno script in FalconScript?", "Il comando per eseguire uno script è 'falcon run <nome_script>'."
+"FalconScript è un linguaggio a tipizzazione statica?", "No, FalconScript è un linguaggio a tipizzazione dinamica, simile a Python."
+"Quali tipi di dati sono supportati in FalconScript?", "FalconScript supporta i tipi di dati comuni come integer, float, string, boolean, array e oggetti."
+"FalconScript supporta la programmazione funzionale?", "Sì, FalconScript supporta paradigmi funzionali come map, filter e reduce, grazie alla sua libreria standard."
+"Come si definisce una funzione in FalconScript?", "Per definire una funzione, usa la parola chiave 'function', seguita dal nome della funzione e le parentesi. Esempio: function saluta() { print('Ciao!') }"
+"Esistono librerie esterne in FalconScript?", "Sì, FalconScript ha una gestione pacchetti nativa chiamata 'FalconNest' che permette di scaricare e utilizzare librerie esterne."

data.jsonl

@@ -0,0 +1,11 @@
+{"question":"Qual è il nome del mio cane?","answer":"Si chiama Lucky"}
+{"question":"Cos'è FalconScript?","answer":"FalconScript è un linguaggio di programmazione immaginario progettato per lo sviluppo rapido di applicazioni di intelligenza artificiale su sistemi embedded."}
+{"question":"Quali sono le caratteristiche principali di FalconScript?","answer":"Le caratteristiche principali includono la sintassi simile a Python, ottimizzazioni per l'uso su dispositivi con risorse limitate, e una libreria nativa di funzioni AI."}
+{"question":"Come si dichiara una variabile in FalconScript?","answer":"In FalconScript, puoi dichiarare una variabile usando la parola chiave 'let'. Esempio: let x = 10."}
+{"question":"FalconScript supporta il multithreading?","answer":"Sì, FalconScript include un sistema di gestione dei thread che permette l'esecuzione parallela di operazioni."}
+{"question":"Qual è il comando per eseguire uno script in FalconScript?","answer":"Il comando per eseguire uno script è 'falcon run <nome_script>'."}
+{"question":"FalconScript è un linguaggio a tipizzazione statica?","answer":"No, FalconScript è un linguaggio a tipizzazione dinamica, simile a Python."}
+{"question":"Quali tipi di dati sono supportati in FalconScript?","answer":"FalconScript supporta i tipi di dati comuni come integer, float, string, boolean, array e oggetti."}
+{"question":"FalconScript supporta la programmazione funzionale?","answer":"Sì, FalconScript supporta paradigmi funzionali come map, filter e reduce, grazie alla sua libreria standard."}
+{"question":"Come si definisce una funzione in FalconScript?","answer":"Per definire una funzione, usa la parola chiave 'function', seguita dal nome della funzione e le parentesi. Esempio: function saluta() { print('Ciao!') }"}
+{"question":"Esistono librerie esterne in FalconScript?","answer":"Sì, FalconScript ha una gestione pacchetti nativa chiamata 'FalconNest' che permette di scaricare e utilizzare librerie esterne."}

requirements.txt

@@ -1 +1,5 @@
-huggingface_hub==0.25.2
+huggingface_hub==0.25.2
+transformers
+datasets
+torch
+gradio

ui.py

@@ -0,0 +1,64 @@
+import gradio as gr
+from huggingface_hub import InferenceClient
+
+"""
+For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
+"""
+client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
+
+
+def respond(
+    message,
+    history: list[tuple[str, str]],
+    system_message,
+    max_tokens,
+    temperature,
+    top_p,
+):
+    messages = [{"role": "system", "content": system_message}]
+
+    for val in history:
+        if val[0]:
+            messages.append({"role": "user", "content": val[0]})
+        if val[1]:
+            messages.append({"role": "assistant", "content": val[1]})
+
+    messages.append({"role": "user", "content": message})
+
+    response = ""
+
+    for message in client.chat_completion(
+        messages,
+        max_tokens=max_tokens,
+        stream=True,
+        temperature=temperature,
+        top_p=top_p,
+    ):
+        token = message.choices[0].delta.content
+
+        response += token
+        yield response
+
+
+"""
+For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
+"""
+demo = gr.ChatInterface(
+    respond,
+    additional_inputs=[
+        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
+        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
+        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
+        gr.Slider(
+            minimum=0.1,
+            maximum=1.0,
+            value=0.95,
+            step=0.05,
+            label="Top-p (nucleus sampling)",
+        ),
+    ],
+)
+
+
+if __name__ == "__main__":
+    demo.launch()