Fixing csv

app.py

@@ -1,11 +1,9 @@
-import os, sys
-
-BASE_DIR = os.path.dirname(__file__)
-INFERENCE_DIR = os.path.join(BASE_DIR, "smi-ted", "inference")
-sys.path.append(INFERENCE_DIR) 
-
+import os
+import sys
+import tempfile
+import pandas as pd
 import gradio as gr
-from smi_ted_light.load import load_smi_ted  
+from smi_ted_light.load import load_smi_ted
 
 # 1) Ajusta o path para o inference do SMI-TED
 BASE_DIR = os.path.dirname(__file__)
@@ -24,38 +22,22 @@ model = load_smi_ted(
 
 # 4) Função utilizada pela interface Gradio
 def gerar_embedding(smiles: str):
-    """
-    Recebe uma string SMILES e devolve:
-      - embedding (lista de 768 floats)
-      - caminho para um CSV com esse embedding, pronto para download
-    Em caso de erro, devolve um dicionário com a mensagem e nenhum arquivo.
-    """
     smiles = smiles.strip()
     if not smiles:
         return {"erro": "digite uma sequência SMILES primeiro"}, None
-
     try:
-        # model.encode devolve tensor shape (1, 768)
-        vetor_torch = model.encode(smiles, return_torch=True)[0]
-        embedding = vetor_torch.tolist()
-
-        # Cria um CSV temporário com uma única linha (o embedding)
+        vetor = model.encode(smiles, return_torch=True)[0]
+        embedding = vetor.tolist()
+        # monta um CSV temporário
         df = pd.DataFrame([embedding])
-        tmp = tempfile.NamedTemporaryFile(
-            delete=False,
-            suffix=".csv",
-            prefix="embedding_",
-        )
-        csv_path = tmp.name
-        df.to_csv(csv_path, index=False)
+        tmp = tempfile.NamedTemporaryFile(delete=False, suffix=".csv", prefix="embedding_")
+        df.to_csv(tmp.name, index=False)
         tmp.close()
-
-        return embedding, csv_path
-
+        return embedding, tmp.name
     except Exception as e:
         return {"erro": str(e)}, None
 
-# 5) Define a interface Gradio com dois outputs: JSON e arquivo para download
+# 5) Interface com JSON + botão de download
 demo = gr.Interface(
     fn=gerar_embedding,
     inputs=gr.Textbox(label="SMILES", placeholder="Ex.: CCO"),
@@ -66,11 +48,10 @@ demo = gr.Interface(
     title="SMI-TED Embedding Generator",
     description=(
         "Cole uma sequência SMILES e receba o embedding gerado pelo modelo "
-        "SMI-TED Light treinado pela IBM Research. "
-        "Você também pode baixar o embedding em CSV."
+        "SMI-TED Light. Você também pode baixar o embedding em CSV."
     ),
 )
 
-# 6) Roda localmente ou no HF Space
+
 if __name__ == "__main__":
-    demo.launch(show_api=False)
+    demo.launch(show_api=False)

requirements.txt

@@ -5,5 +5,6 @@ numpy==1.26.4
 pandas==1.4.0
 tqdm>=4.66.4
 rdkit>=2024.3.5
-gradio>=4.32.0,<5.0.0
+gradio==4.32.0
+gradio_client==0.17.0
 huggingface-hub