Upload folder using huggingface_hub

app.py

@@ -1,73 +1,8 @@
 import gradio as gr
-from transformers import GPT2Tokenizer, GPT2LMHeadModel
-import torch
 
-# Carregar o tokenizer e o modelo ajustado
-tokenizer = GPT2Tokenizer.from_pretrained('modelo_treinado')
-model = GPT2LMHeadModel.from_pretrained('modelo_treinado')
+def greet(name):
+    return "Hello " + name + "!"
 
-# Configurar o dispositivo para GPU se disponível
-device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
-model.to(device)
+demo = gr.Interface(fn=greet, inputs="textbox", outputs="textbox")
 
-# Função para gerar notas de release
-def gerar_nota_release(feature_description_prompt, max_new_tokens=50, num_return_sequences=1):
-    # Definir o template com um placeholder para a descrição da funcionalidade
-    template = """É hora de atualizar o seu íon Itaú.
-    {}
-Atualize o app já e aproveite!"""
-
-    # Formatar o template com o placeholder para o prompt
-    prompt = template.format(feature_description_prompt)
-
-    # Tokenizar o prompt de entrada
-    inputs = tokenizer.encode(prompt, return_tensors='pt').to(device)
-
-    # Obter o comprimento do prompt
-    prompt_length = inputs.shape[1]
-
-    # Gerar texto
-    outputs = model.generate(
-        inputs,
-        max_new_tokens=max_new_tokens,
-        num_return_sequences=num_return_sequences,
-        no_repeat_ngram_size=2,
-        do_sample=True,
-        top_k=50,
-        top_p=0.95,
-        temperature=0.7,
-        eos_token_id=tokenizer.eos_token_id,
-        pad_token_id=tokenizer.eos_token_id,
-    )
-
-    # Decodificar e retornar o texto gerado
-    notas = []
-    for i in range(num_return_sequences):
-        # Decodificar a sequência gerada
-        output = outputs[i]
-        texto_completo = tokenizer.decode(output, skip_special_tokens=True)
-
-        # Extrair apenas a parte gerada após o prompt
-        texto_gerado = texto_completo[len(prompt):].strip()
-
-        # Montar a nota de release completa
-        nota_release = template.format(feature_description_prompt + ' ' + texto_gerado)
-        notas.append(nota_release)
-    return notas[0]
-
-# Definir a função para o chat
-def chat_model(feature_description):
-    return gerar_nota_release(feature_description)
-
-# Criar a interface do Gradio
-chat_interface = gr.Interface(
-    fn=chat_model,
-    inputs=gr.Textbox(lines=2, placeholder="Digite a descrição da funcionalidade..."),
-    outputs=gr.Textbox(),
-    title="Chat para Geração de Notas de Release",
-    description="Digite uma descrição de funcionalidade e o modelo gerará uma nota de release de acordo com o modelo treinado.",
-)
-
-# Executar a interface
-if __name__ == "__main__":
-    chat_interface.launch(share=True)
+demo.launch(share=True)  # Share your demo with just 1 extra parameter 🚀