fixing path error

app.py

@@ -1,57 +1,46 @@
 import os
 import sys
-import tempfile
-import pandas as pd
-import gradio as gr
-from smi_ted_light.load import load_smi_ted
 
-# 1) Ajusta o path para o inference do SMI-TED
+# 1) Ajusta o path para o inference do SMI-TED **antes** de importar anything
 BASE_DIR = os.path.dirname(__file__)
 INFERENCE_DIR = os.path.join(BASE_DIR, "smi-ted", "inference")
 sys.path.append(INFERENCE_DIR)
 
+# Agora o python já sabe onde achar smi_ted_light
+import tempfile
+import pandas as pd
+import gradio as gr
+from smi_ted_light.load import load_smi_ted
+
 # 2) Caminho onde estão pesos e vocabulário
 MODEL_DIR = os.path.join("smi-ted", "inference", "smi_ted_light")
 
-# 3) Carrega o modelo SMI-TED (Light)
 model = load_smi_ted(
     folder=MODEL_DIR,
     ckpt_filename="smi-ted-Light_40.pt",
     vocab_filename="bert_vocab_curated.txt",
 )
 
-# 4) Função utilizada pela interface Gradio
 def gerar_embedding(smiles: str):
     smiles = smiles.strip()
     if not smiles:
         return {"erro": "digite uma sequência SMILES primeiro"}, None
     try:
         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_")
+        emb = vetor.tolist()
+        df = pd.DataFrame([emb])
+        tmp = tempfile.NamedTemporaryFile(delete=False, suffix=".csv", prefix="emb_")
         df.to_csv(tmp.name, index=False)
         tmp.close()
-        return embedding, tmp.name
+        return emb, tmp.name
     except Exception as e:
         return {"erro": str(e)}, None
 
-# 5) Interface com JSON + botão de download
 demo = gr.Interface(
     fn=gerar_embedding,
     inputs=gr.Textbox(label="SMILES", placeholder="Ex.: CCO"),
-    outputs=[
-        gr.JSON(label="Embedding (lista de floats)"),
-        gr.File(label="Baixar embedding em CSV"),
-    ],
+    outputs=[gr.JSON(), gr.File(label="Baixar CSV")],
     title="SMI-TED Embedding Generator",
-    description=(
-        "Cole uma sequência SMILES e receba o embedding gerado pelo modelo "
-        "SMI-TED Light. Você também pode baixar o embedding em CSV."
-    ),
 )
-
-
 if __name__ == "__main__":
     demo.launch(show_api=False)