app.py

import os
from threading import Thread
from typing import Iterator

import gradio as gr
import spaces
import torch
from transformers import BitsAndBytesConfig, AutoConfig, AutoModelForCausalLM, AutoTokenizer, TextIteratorStreamer


MAX_MAX_NEW_TOKENS = 2048
DEFAULT_MAX_NEW_TOKENS = 1024
MAX_INPUT_TOKEN_LENGTH = int(os.getenv("MAX_INPUT_TOKEN_LENGTH", "4096"))

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model_path = "vinai/PhoGPT-4B-Chat"

config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
config.init_device = device

quantization = BitsAndBytesConfig(load_in_8bit=True)

model = AutoModelForCausalLM.from_pretrained(model_path, 
                                             config=config, 
                                             quantization_config =quantization, 
                                             torch_dtype=torch.bfloat16, 
                                             trust_remote_code=True,
                                             low_cpu_mem_usage=True)

model.eval()

tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)


@spaces.GPU(duration=120)
def generate(
    message: str,
    chat_history: list[tuple[str, str]],
    max_new_tokens: int = 1024,
    temperature: float = 0.6,
    top_p: float = 0.9,
    top_k: int = 50,
    repetition_penalty: float = 1.2,
) -> Iterator[str]:
    conversation = []
    for user, assistant in chat_history:
        conversation.extend(
            [
                {"role": "user", "content": user},
                {"role": "assistant", "content": assistant},
            ]
        )
    conversation.append({"role": "user", "content": message})

    input_ids = tokenizer.apply_chat_template(conversation, add_generation_prompt=True, return_tensors="pt")
    if input_ids.shape[1] > MAX_INPUT_TOKEN_LENGTH:
        input_ids = input_ids[:, -MAX_INPUT_TOKEN_LENGTH:]
        gr.Warning(f"Trimmed input from conversation as it was longer than {MAX_INPUT_TOKEN_LENGTH} tokens.")
    input_ids = input_ids.to(model.device)

    streamer = TextIteratorStreamer(tokenizer, timeout=20.0, skip_prompt=True, skip_special_tokens=True)
    generate_kwargs ={
        "input_ids": input_ids,
        "streamer":streamer,
        "max_new_tokens":max_new_tokens,
        "do_sample":True,
        "top_p":top_p,
        "top_k":top_k,
        "temperature":temperature,
        "num_beams":1,
        "repetition_penalty":repetition_penalty,
        "eos_token_id":tokenizer.eos_token_id,
        "pad_token_id":tokenizer.pad_token_id
    }
    t = Thread(target=model.generate, kwargs=generate_kwargs)
    t.start()

    outputs = []
    for text in streamer:
        outputs.append(text)
        yield "".join(outputs)


chat_interface = gr.ChatInterface(
    fn=generate,
    chatbot=gr.Chatbot(height=500, label = "VN GPT", show_label=True),
    textbox=gr.Textbox(placeholder="Nhập hội thoại tại đây", container=False, scale=7),
    additional_inputs=[
        gr.Slider(
            label="Độ dài token",
            minimum=1,
            maximum=MAX_MAX_NEW_TOKENS,
            step=1,
            value=DEFAULT_MAX_NEW_TOKENS,
        ),
        gr.Slider(
            label="Độ sáng tạo",
            minimum=0.1,
            maximum=4.0,
            step=0.1,
            value=0.6,
        ),
        gr.Slider(
            label="Lựa chọn từ dựa trên xác suất tích lũy",
            minimum=0.05,
            maximum=1.0,
            step=0.05,
            value=0.9,
        ),
        gr.Slider(
            label="Lựa chọn k từ có xác suất cao nhất",
            minimum=1,
            maximum=1000,
            step=1,
            value=50,
        ),
        gr.Slider(
            label="Phạt lặp lại",
            minimum=1.0,
            maximum=2.0,
            step=0.05,
            value=1.2,
        ),
    ],
    theme="soft",
    stop_btn=None,
    examples = [
    ["Lợi ích của sữa mẹ ?"],
    ["Sữa non là gì ?"],
    ["Trẻ sơ sinh cần ngủ bao nhiêu giờ mỗi ngày?"],
    ["Bao lâu nên cho trẻ sơ sinh bú một lần?"],
    ["Khi nào nên bắt đầu cho trẻ ăn dặm?"],
    ["Làm thế nào để giúp trẻ ngủ ngon vào ban đêm?"]
    ],

    cache_examples=False,
    title = "VN-GPT",
    clear_btn="🗑️ Xóa",
    undo_btn="↩️ Hoàn tác",
    submit_btn="🚀 Gửi",
    retry_btn="🔄 Thử lại",
    additional_inputs_accordion="Tùy chỉnh nâng cao",
)


if __name__ == "__main__":
    chat_interface.queue(max_size=20).launch()