import pandas as pd import streamlit as st from langchain_huggingface import HuggingFacePipeline from langchain_core.prompts import PromptTemplate from langchain.chains import LLMChain from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig, pipeline from huggingface_hub import login import torch import json import os from datetime import datetime # Configurar variable de entorno para evitar la fragmentación de memoria en CUDA os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "expandable_segments:True" # Autenticación con Fireworks en Hugging Face huggingface_token = st.secrets["FIREWORKS"] login(huggingface_token) # Configurar modelo Fireworks con cuantización int8 y offload en la CPU quant_config = BitsAndBytesConfig( load_in_8bit=True, # Activar la carga en int8 llm_int8_enable_fp32_cpu_offload=True, # Permitir offload en la CPU quantization_scheme="gptq" # Especificar el esquema GPTQ ) model_id = "fireworks-ai/firefunction-v2" tokenizer = AutoTokenizer.from_pretrained(model_id) model = AutoModelForCausalLM.from_pretrained( model_id, device_map="auto", # Permitir offloading automático entre CPU y GPU torch_dtype=torch.float16, quantization_config=quant_config ) # Establecer el token de relleno if tokenizer.pad_token_id is None: tokenizer.pad_token_id = tokenizer.eos_token_id # Crear pipeline para generación de texto con Fireworks fireworks_pipeline = pipeline( "text-generation", model=model, tokenizer=tokenizer, max_new_tokens=20 # Reducir max_new_tokens para minimizar el uso de memoria ) # Adaptar el pipeline a LangChain llm_pipeline = HuggingFacePipeline(pipeline=fireworks_pipeline) # Interfaz de Streamlit st.title("Cosine Similarity Calculation with Fireworks, LangChain, and Llama 3.1") # Subir archivo CSV uploaded_file = st.file_uploader("Sube un archivo CSV con la columna 'job_title':", type=["csv"]) if uploaded_file is not None: # Cargar el CSV en un DataFrame df = pd.read_csv(uploaded_file) if 'job_title' in df.columns: query = 'aspiring human resources specialist' job_titles = df['job_title'].tolist() # Procesar en lotes para optimización batch_size = 4 # Reducir batch size para minimizar el uso de memoria job_titles_batches = [job_titles[i:i+batch_size] for i in range(0, len(job_titles), batch_size)] # Definir el prompt para Fireworks con formato de función prompt_template = PromptTemplate( template=( "Function: calculate_cosine_similarity\n" "Description: Calculate the cosine similarity between the given query and job titles.\n" "Parameters:\n" " - query: The query string to compare.\n" " - job_titles: A list of job titles to compare against.\n" "Input:\n" " query: '{query}'\n" " job_titles: {job_titles}\n" "Output:\n" " Return the results as 'Job Title: [Job Title], Score: [Cosine Similarity Score]'." ), input_variables=["query", "job_titles"] ) # Crear el LLMChain para manejar la interacción con Fireworks llm_chain = LLMChain( llm=llm_pipeline, prompt=prompt_template ) # Ejecutar la generación con Fireworks y funciones if st.button("Calcular Similitud de Coseno"): with st.spinner("Calculando similitudes con Fireworks..."): all_scores = [] try: for batch in job_titles_batches: # Tokenizar la entrada y mover los tensores a CUDA model_inputs = tokenizer( batch, return_tensors="pt", padding=True, truncation=True ).to("cuda") # Mover solo los tensores de entrada a CUDA with torch.cuda.amp.autocast(): # Usar Mixed Precision model_inputs['attention_mask'] = (model_inputs['input_ids'] != tokenizer.pad_token_id).int().to("cuda") generated_ids = model.generate( **model_inputs, max_new_tokens=20, # Reducir para minimizar el uso de memoria num_beams=1 # Desactivar búsqueda en beam para más velocidad ) # Decodificar el resultado y añadirlo a la lista de resultados decoded = tokenizer.batch_decode(generated_ids, skip_special_tokens=True) all_scores.extend([0.95] * len(batch)) # Simulación para demostración # Liberar memoria después de cada batch del model_inputs, generated_ids torch.cuda.empty_cache() # Asignar puntajes al DataFrame df['Score'] = all_scores # Mostrar el dataframe actualizado st.write("DataFrame con los puntajes de similitud:") st.write(df) except Exception as e: st.error(f"Error durante la generación: {e}") else: st.error("La columna 'job_title' no se encuentra en el archivo CSV.") ''' import pandas as pd import streamlit as st from langchain.llms import HuggingFacePipeline from langchain_core.prompts import PromptTemplate from langchain.chains import LLMChain from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline from huggingface_hub import login import torch # API Key de Hugging Face huggingface_token = st.secrets["FIREWORKS"] login(huggingface_token)# Autenticar #login(api_key) # Configurar modelo Llama 3.1 model_id = "meta-llama/Llama-3.2-1B" tokenizer = AutoTokenizer.from_pretrained(model_id, truncation=True) model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", torch_dtype=torch.float16) # Crear pipeline con Fireworks pipe = pipeline("text-generation", model=model, tokenizer=tokenizer, max_new_tokens=50) #, max_length=1024) llm_pipeline = HuggingFacePipeline(pipeline=pipe) # Interfaz de Streamlit st.title("Cosine Similarity Calculation with Fireworks, LangChain, and Llama 3.1") # Subir archivo CSV uploaded_file = st.file_uploader("Sube un archivo CSV con la columna 'job_title':", type=["csv"]) if uploaded_file is not None: # Cargar el CSV en un DataFrame df = pd.read_csv(uploaded_file) print(df) if 'job_title' in df.columns: query = 'aspiring human resources specialist' job_titles = df['job_title'].tolist() # Definir el prompt para usar Fireworks para cálculo de similitud de coseno # Crear el prompt mejorado para Fireworks prompt_template = PromptTemplate( template=( "You are an AI model with access to external embeddings services. Your task is to calculate the cosine similarity " "between a given query and a list of job titles using embeddings obtained from an external service. " "Follow these steps to complete the task:\n\n" "1. Retrieve the embeddings for the query: '{query}' from the external embeddings service.\n" "2. For each job title in the list below, retrieve the corresponding embeddings from the same external service.\n" "3. Calculate the cosine similarity between the query embeddings and the embeddings of each job title.\n" "4. Return the results in the following format:\n" " - Job Title: [Job Title], Score: [Cosine Similarity Score]\n" " - Job Title: [Job Title], Score: [Cosine Similarity Score]\n" " ...\n\n" "The list of job titles is:\n{job_titles}\n\n" "Remember to access the embeddings service directly and ensure that the cosine similarity scores are calculated accurately based on the semantic similarity between the embeddings." ), input_variables=["query", "job_titles"] ) # Crear el LLMChain para manejar la interacción con Fireworks llm_chain = LLMChain( llm=llm_pipeline, prompt=prompt_template ) # Ejecutar la generación con el LLM if st.button("Calcular Similitud de Coseno"): with st.spinner("Calculando similitudes con Fireworks y Llama 3.1..."): try: result = llm_chain.run({"query": query, "job_titles": job_titles}) st.write("Respuesta del modelo:") st.write(result) # Simular la asignación de puntajes en la columna 'Score' (basado en la respuesta del modelo) df['Score'] = [0.95] * len(df) # Simulación para la demostración # Mostrar el dataframe actualizado st.write("DataFrame con los puntajes de similitud:") st.write(df) except Exception as e: st.error(f"Error durante la generación: {e}") else: st.error("La columna 'job_title' no se encuentra en el archivo CSV.") '''