Upload 3 files

Dockerfile

@@ -0,0 +1,23 @@
+# Użyj oficjalnego obrazu Pythona jako bazy
+FROM python:3.9-slim-buster
+
+# Ustaw katalog roboczy wewnątrz kontenera
+RUN useradd -m -u 1000 user
+WORKDIR /app
+
+# Skopiuj pliki requirements.txt i zainstaluj zależności
+COPY --chown=user requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+# Skopiuj pozostałe pliki aplikacji
+COPY --chown=user . /app
+
+RUN mkdir ./.cache
+
+# Ustaw zmienną środowiskową PORT, która będzie używana przez FastAPI/Uvicorn
+# Hugging Face Spaces często udostępnia port 7860 lub 80
+ENV PORT 7860
+
+# Uruchom aplikację Uvicorn, gdy kontener zostanie uruchomiony
+# --host 0.0.0.0 jest kluczowe, aby serwer nasłuchiwał na wszystkich interfejsach
+CMD ["uvicorn", "emotions_pl:app", "--host", "0.0.0.0", "--port", "7860"]

emotions_pl.py

@@ -0,0 +1,81 @@
+import os
+
+import torch
+import uvicorn
+from fastapi import FastAPI, HTTPException
+from fastapi.responses import JSONResponse
+from pydantic import BaseModel
+from transformers import pipeline
+
+# Utwórz instancję FastAPI
+app = FastAPI(
+    title="Emotions PL API",
+    description="API do oznaczaniem tagami emocji go-emotions-polish-gpt2-small-v0.0.1",
+    version="1.0.0"
+)
+
+# Ścieżka do modelu - Hugging Face automatycznie pobierze model
+MODEL_NAME = "nie3e/go-emotions-polish-gpt2-small-v0.0.1"
+generator = None  # Zostanie załadowany później
+
+
+# Model wejściowy dla POST request
+class PredictRequest(BaseModel):
+    prompt: str
+
+
+@app.on_event("startup")
+async def startup_event():
+    global generator
+
+    if torch.cuda.is_available():
+        print("device: GPU")
+    else:
+        print("device: CPU")
+    print(f"Ładowanie modelu: {MODEL_NAME}...")
+    try:
+        # Możesz dostosować device=0 (GPU) lub device=-1 (CPU) w zależności od wybranej maszyny Space
+        # Free tier spaces usually run on CPU, unless you explicitly select a GPU.
+        # It's safer to not specify device if you want it to auto-detect or default to CPU.
+        generator = pipeline(
+            "text-classification",
+            model=MODEL_NAME,
+            top_k=-1,
+            # device=0 if torch.cuda.is_available() else -1 # Odkomentuj dla detekcji GPU
+        )
+        print("Model załadowany pomyślnie!")
+    except Exception as e:
+        print(f"Błąd ładowania modelu: {e}")
+        # Możesz zdecydować, czy aplikacja ma zakończyć działanie, czy kontynuować bez modelu
+        # W przypadku błędu ładowania modelu, endpoint generacji tekstu będzie zwracał błąd
+        generator = None  # Ustaw na None, aby sygnalizować problem
+
+
+@app.get("/")
+async def root():
+    return {"message": "Polish emotions API is running!"}
+
+
+@app.post("/predict")
+async def predict(request: PredictRequest):
+    if generator is None:
+        raise HTTPException(status_code=503, detail="Model nie został załadowany lub wystąpił błąd.")
+
+    try:
+        generated_text = generator(
+            request.prompt
+        )
+        # Pipeline zwraca listę słowników, bierzemy pierwszy wynik
+        response_data = generated_text[0]
+        return JSONResponse(
+            content=response_data,
+            media_type="application/json; charset=utf-8"
+        )
+        # return {"generated_text": generated_text[0]["generated_text"]}
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"Błąd podczas generowania tekstu: {e}")
+
+
+# Uruchamianie serwera Uvicorn bezpośrednio (dla Dockera)
+if __name__ == "__main__":
+    uvicorn.run(app, host="0.0.0.0", port=int(os.getenv("PORT", 7860)))

requirements.txt

@@ -0,0 +1,5 @@
+fastapi
+uvicorn[standard]
+transformers
+torch
+pydantic