Update app.py

app.py

@@ -4,13 +4,18 @@ from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments,
 from peft import get_peft_model, LoraConfig, TaskType
 from datasets import load_dataset
 
-device = "cuda" if torch.cuda.is_available() else "cpu"
+device = "cpu"  # ✅ اجباراً فقط روی CPU اجرا شود
 
 def train_model(dataset_url, model_url, epochs):
     try:
-        # 🚀 بارگیری مدل و توکنایزر با `trust_remote_code=True`
+        # 🚀 بارگیری مدل و توکنایزر با اجازه اجرای کد سفارشی و بدون نیاز به GPU
         tokenizer = AutoTokenizer.from_pretrained(model_url, trust_remote_code=True)
-        model = AutoModelForCausalLM.from_pretrained(model_url, trust_remote_code=True).to(device)
+        model = AutoModelForCausalLM.from_pretrained(
+            model_url, 
+            trust_remote_code=True, 
+            torch_dtype=torch.float32,  # ✅ تغییر به float32 برای CPU
+            device_map="cpu"  # ✅ اجباری کردن اجرای روی CPU
+        )
 
         # ✅ تنظیم LoRA برای کاهش مصرف حافظه
         lora_config = LoraConfig(
@@ -39,14 +44,14 @@ def train_model(dataset_url, model_url, epochs):
             output_dir="./deepseek_lora_cpu",
             evaluation_strategy="epoch",
             learning_rate=5e-4,
-            per_device_train_batch_size=1,
+            per_device_train_batch_size=1,  # کاهش مصرف RAM
             per_device_eval_batch_size=1,
             num_train_epochs=int(epochs),
             save_strategy="epoch",
             save_total_limit=2,
             logging_dir="./logs",
             logging_steps=10,
-            fp16=False,
+            fp16=False,  # ❌ غیرفعال‌سازی FP16 چون روی CPU اجرا می‌شود
             gradient_checkpointing=True,
             optim="adamw_torch",
             report_to="none"