train.py

import gradio as gr
import json
import os
from huggingface_hub import InferenceClient

# Initialisation du client Hugging Face
client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")

# Fichier de stockage des questions-réponses personnalisées
DATA_FILE = "qna_data.json"
CREATOR_CODE = "LnMonga2025"  # Code secret du créateur

# Fonction pour charger les données enregistrées
def load_json():
    if not os.path.exists(DATA_FILE) or os.stat(DATA_FILE).st_size == 0:
        return {}
    try:
        with open(DATA_FILE, "r", encoding="utf-8") as f:
            return json.load(f)
    except json.JSONDecodeError:
        return {}

# Fonction pour sauvegarder une nouvelle question-réponse
def save_json(data):
    with open(DATA_FILE, "w", encoding="utf-8") as f:
        json.dump(data, f, indent=4, ensure_ascii=False)

# Fonction principale de réponse
def respond(message, history, system_message, max_tokens, temperature, top_p):
    data = load_json()

    # Vérification si l'utilisateur est le créateur en utilisant le code spécial
    if message.startswith(f"{CREATOR_CODE}:input:"):
        question = message.replace(f"{CREATOR_CODE}:input:", "").strip()
        response = f"{CREATOR_CODE}:output:"
        
        # Demande manuelle de réponse
        response = input(f"Entrez la réponse pour '{question}': ").strip()

        if response:
            data[question] = response
            save_json(data)
            return f"✅ Réponse enregistrée : {response}"

    # Vérifier si la question est déjà enregistrée
    if message in data:
        return data[message]

    # Si non enregistré, utiliser GPT pour répondre normalement
    messages = [{"role": "system", "content": system_message}] + [
        {"role": "user", "content": q} if i % 2 == 0 else {"role": "assistant", "content": a}
        for i, (q, a) in enumerate(history)
    ] + [{"role": "user", "content": message}]

    response = ""
    for msg in client.chat_completion(messages, max_tokens=max_tokens, stream=True, temperature=temperature, top_p=top_p):
        token = msg.choices[0].delta.content
        response += token
        yield response

# Interface Gradio
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()