usunieto plik - rozporzadzenie pips, przeslano ze zmienioną nazwą.

allegro.py

@@ -1,119 +0,0 @@
-import os
-import re
-import torch
-from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments, Trainer, DataCollatorForLanguageModeling
-from datasets import Dataset
-
-# Konfiguracja
-os.environ["TOKENIZERS_PARALLELISM"] = "false"
-MODEL_NAME = "allegro/herbert-base-cased"
-SPECIAL_TOKENS = ["[CITATION_START]", "[CITATION_END]"]
-TEXT_FILE_PATH = "./docs/kodekspracy.txt"  # Zmień na właściwą ścieżkę
-
-def prepare_dataset_from_file(file_path):
-    with open(file_path, 'r', encoding='utf-8') as f:
-        text = f.read()
-
-    articles = re.findall(r'Art\.\s*\d+[a-z]*\..*?(?=\s*Art\.\s*\d+[a-z]*\.|\Z)', text, flags=re.DOTALL)
-    
-    formatted_articles = []
-    for article in articles:
-        article = ' '.join(article.strip().split())
-        
-        art_match = re.match(r'Art\.\s*(\d+[a-z]*)\.?\s*(.*)', article, re.DOTALL)
-        if art_match:
-            art_number = art_match.group(1)
-            art_text = art_match.group(2)
-            
-            paragraphs = re.split(r'(§\s*\d+\.)', art_text)
-            if len(paragraphs) > 1:
-                formatted_paragraphs = []
-                for i in range(1, len(paragraphs), 2):
-                    para_num = paragraphs[i].strip()
-                    para_text = paragraphs[i+1].strip()
-                    formatted_paragraphs.append(f"{para_num} {para_text}")
-                formatted = f"[CITATION_START] Kodeks Pracy, Art. {art_number} [CITATION_END]\n" + "\n".join(formatted_paragraphs)
-            else:
-                formatted = f"[CITATION_START] Kodeks Pracy, Art. {art_number} [CITATION_END] {art_text}"
-            
-            formatted_articles.append({"text": formatted})
-            
-            questions = [
-                f"Zacytuj artykuł {art_number} Kodeksu pracy.",
-                f"Co mówi artykuł {art_number} Kodeksu pracy?",
-                f"Podaj treść artykułu {art_number} Kodeksu pracy."
-            ]
-            for question in questions:
-                formatted_articles.append({"text": f"{question}\n{formatted}"})
-    
-    return formatted_articles
-
-def main():
-    # Inicjalizacja tokenizera
-    tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
-    tokenizer.pad_token = tokenizer.eos_token
-    tokenizer.add_special_tokens({"additional_special_tokens": SPECIAL_TOKENS})
-
-    print(f"Pad token: {tokenizer.pad_token}")
-    print(f"Pad token ID: {tokenizer.pad_token_id}")
-
-    # Przygotowanie danych
-    data = prepare_dataset_from_file(TEXT_FILE_PATH)
-    dataset = Dataset.from_dict({"text": [d["text"] for d in data]})
-
-    # Tokenizacja
-    def tokenize_function(examples):
-        tokenized = tokenizer(
-            examples["text"],
-            truncation=True,
-            padding="max_length",
-            max_length=512,
-            return_tensors="pt"
-        )
-        tokenized["labels"] = tokenized["input_ids"].clone()
-        return tokenized
-
-    tokenized_dataset = dataset.map(tokenize_function, batched=True, remove_columns=dataset.column_names)
-
-    # Model i data collator
-    model = AutoModelForCausalLM.from_pretrained(MODEL_NAME)
-    model.resize_token_embeddings(len(tokenizer))
-    model.config.pad_token_id = tokenizer.pad_token_id
-    
-    data_collator = DataCollatorForLanguageModeling(
-        tokenizer=tokenizer,
-        mlm=False
-    )
-
-    # Konfiguracja treningu
-    training_args = TrainingArguments(
-        output_dir="./results",
-        num_train_epochs=32,
-        per_device_train_batch_size=2,
-        learning_rate=1e-5,
-        logging_steps=10,
-        weight_decay=0.01,
-        report_to="none",
-        save_strategy="steps",
-        save_steps=500,
-        evaluation_strategy="steps",
-        eval_steps=500,
-        load_best_model_at_end=True,
-    )
-
-    # Trainer
-    trainer = Trainer(
-        model=model,
-        args=training_args,
-        train_dataset=tokenized_dataset,
-        eval_dataset=tokenized_dataset,
-        data_collator=data_collator
-    )
-
-    print("Rozpoczęcie treningu...")
-    trainer.train()
-    trainer.save_model("./trained_model/allegro")
-    tokenizer.save_pretrained("./trained_model/allegro")
-
-if __name__ == "__main__":
-    main()

catalog.json

@@ -1,5 +0,0 @@
-{
-    "kodekspracy": "Kodeks Pracy",
-    "urlopproporcjonalny": "Rozporządzenie BHP",
-    "ustawaopanstwowejinspekcjipracy": "Ustawa o Państwowej inspekcji pracy"
-}

gemma-faiss.py

@@ -1,93 +0,0 @@
-import os
-os.environ["TOKENIZERS_PARALLELISM"] = "false"
-
-import faiss
-import numpy as np
-import ollama
-import gradio as gr
-import os
-import argparse
-from sentence_transformers import SentenceTransformer
-
-# === KONFIGURACJA ===
-model_name = "hse.ably.do:latest"  # Nazwa modelu Ollama
-faiss_index_path = "faiss_index.idx"  # Plik indeksu FAISS
-kodeks_file = "/home/ably.do/docs/kodekspracy.txt"  # Plik z treścią kodeksu pracy
-embedding_model = SentenceTransformer("all-MiniLM-L6-v2")  # Model do embedowania tekstu
-
-# === KROK 1: WCZYTYWANIE KODEKSU PRACY ===
-def load_kodeks(filepath):
-    with open(filepath, "r", encoding="utf-8") as file:
-        content = file.read()
-        articles = content.split("\n\n")  # Dzielimy na sekcje
-    return [article.strip() for article in articles if article.strip().startswith("Art.")]
-
-# === KROK 2: TWORZENIE INDEKSU FAISS ===
-def create_faiss_index(sections):
-    embeddings = embedding_model.encode(sections, convert_to_numpy=True)  # Tworzenie wektorów
-    index = faiss.IndexFlatL2(embeddings.shape[1])  # Indeks FAISS
-    index.add(embeddings)  # Dodanie wektorów do FAISS
-    faiss.write_index(index, faiss_index_path)  # Zapis indeksu
-    return index, sections
-
-# === KROK 3: WYSZUKIWANIE NAJBLIŻSZEGO FRAGMENTU ===
-def search_faiss(query, index, sections, top_k=3):
-    query_vector = embedding_model.encode([query], convert_to_numpy=True)
-    _, idx = index.search(query_vector, top_k)  # Szukamy więcej wyników
-
-    results = [sections[i] for i in idx[0] if i < len(sections)]
-    return "\n\n".join(results)  # Połącz kilka najlepszych fragmentów
-
-# === KROK 4: GENEROWANIE ODPOWIEDZI Z OLLAMA ===
-def generate_response(user_query):
-    if not os.path.exists(faiss_index_path):
-        return "Błąd: Indeks FAISS nie istnieje. Uruchom aplikację z opcją --rebuild-index."
-
-    try:
-        index = faiss.read_index(faiss_index_path)
-    except Exception as e:
-        return f"Błąd ładowania FAISS: {str(e)}"
-
-    sections = load_kodeks(kodeks_file)
-    best_match = search_faiss(user_query, index, sections)
-
-    # 👀 DEBUG: Sprawdź, co zwraca FAISS
-    print(f"🔍 Najlepsze dopasowanie FAISS dla '{user_query}':\n{best_match}")
-
-    prompt = f"""
-    Odpowiedz na pytanie na podstawie następującego tekstu:
-
-    {best_match}
-
-    Pytanie: {user_query}
-    Podaj dokładny tekst artykułu, jeśli go znajdziesz w treści powyżej.
-    """
-
-    response = ollama.chat(model=model_name, messages=[{"role": "user", "content": prompt}])
-
-    print(f"📝 Odpowiedź modelu:\n{response}")  # 👀 DEBUG: Sprawdź odpowiedź Ollama
-
-    return response.get("message", response.get("content", "Błąd: Nie udało się wygenerować odpowiedzi."))
-
-# === KROK 5: INTERFEJS WEBOWY ===
-iface = gr.Interface(
-    fn=generate_response,
-    inputs=gr.Textbox(label="Zadaj pytanie o kodeks pracy"),
-    outputs=gr.Textbox(label="Odpowiedź"),
-    title="Asystent Kodeksu Pracy",
-    description="Wpisz pytanie, a system zwróci odpowiedni fragment kodeksu pracy."
-)
-
-if __name__ == "__main__":
-    parser = argparse.ArgumentParser()
-    parser.add_argument("--rebuild-index", action="store_true", help="Odbudowanie indeksu FAISS")
-    args = parser.parse_args()
-
-    if args.rebuild_index or not os.path.exists(faiss_index_path):
-        print("Tworzenie nowego indeksu FAISS...")
-        sections = load_kodeks(kodeks_file)
-        create_faiss_index(sections)
-    else:
-        print("Indeks FAISS już istnieje.")
-    
-    iface.launch(share=True)

gemma.py

@@ -1,119 +0,0 @@
-import os
-os.environ["TOKENIZERS_PARALLELISM"] = "false"
-
-import torch
-import faiss
-import numpy as np
-from sentence_transformers import SentenceTransformer
-from datasets import Dataset
-from peft import LoraConfig, get_peft_model
-from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer, DataCollatorForLanguageModeling
-
-# 1️⃣ Inicjalizacja modelu do embeddingów
-embed_model = SentenceTransformer("all-MiniLM-L6-v2")
-
-# 2️⃣ Dodanie dokumentów i embeddingów
-def read_documents_from_file(file_path):
-    with open(file_path, 'r', encoding='utf-8') as file:
-        content = file.read()
-        articles = content.split('\n\n')
-        documents = []
-        for article in articles:
-            if article.strip().startswith('Art.'):
-                documents.append(article.strip())
-    return documents
-#documents = [
-#    "Jak założyć firmę w Polsce?", 
-#    "Jak rozliczyć podatek VAT?", 
-#    "Procedura składania reklamacji w e-sklepie.",
-#    "Jakie dokumenty są potrzebne do rejestracji działalności?"
-#]
-file_path = './docs/kodekspracy.txt'  # Zmień na właściwą ścieżkę
-documents = read_documents_from_file(file_path)
-embeddings = embed_model.encode(documents)
-
-# 3️⃣ Inicjalizacja FAISS i dodanie wektorów
-dim = embeddings.shape[1]
-index = faiss.IndexFlatL2(dim)
-index.add(np.array(embeddings, dtype=np.float32))
-
-# 4️⃣ Przygotowanie danych treningowych
-def create_training_data():
-    data = {
-        "text": documents,
-        "embedding": embeddings.tolist()
-    }
-    return Dataset.from_dict(data)
-
-dataset = create_training_data()
-
-# Podział danych na treningowe i ewaluacyjne
-split_dataset = dataset.train_test_split(test_size=0.25)
-train_dataset = split_dataset["train"]
-eval_dataset = split_dataset["test"]
-
-# 5️⃣ Ładowanie modelu Gemma 2B
-device = "cuda" if torch.cuda.is_available() else "cpu"
-model_name = "google/gemma-2-2b"
-model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16).to(device)
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-
-# 6️⃣ Konfiguracja LoRA
-lora_config = LoraConfig(
-    r=8, lora_alpha=32, lora_dropout=0.1, bias="none", task_type="CAUSAL_LM"
-)
-model = get_peft_model(model, lora_config)
-
-# 7️⃣ Tokenizacja danych
-max_length = 384
-
-def tokenize_function(examples):
-    return tokenizer(
-        examples["text"],
-        padding="max_length",
-        truncation=True,
-        max_length=max_length
-    )
-
-tokenized_train = train_dataset.map(tokenize_function, batched=True)
-tokenized_eval = eval_dataset.map(tokenize_function, batched=True)
-
-# 8️⃣ Parametry treningu
-training_args = TrainingArguments(
-    output_dir="./results",
-    eval_strategy="steps",          # Ewaluacja co określoną liczbę kroków
-    eval_steps=500,                 # Ewaluacja co 500 kroków
-    save_strategy="steps",          # Zapis modelu co określoną liczbę kroków
-    save_steps=500,                 # Zapis modelu co 500 kroków
-    learning_rate=1e-5,
-    per_device_train_batch_size=2,
-    per_device_eval_batch_size=2,
-    num_train_epochs=16,
-    weight_decay=0.01,
-    load_best_model_at_end=True,    # Wczytaj najlepszy model na końcu
-    metric_for_best_model="loss",   # Kryterium wyboru najlepszego modelu
-    greater_is_better=False,        # Niższy loss = lepszy model
-)
-
-# 9️⃣ Data Collator
-data_collator = DataCollatorForLanguageModeling(
-    tokenizer=tokenizer,
-    mlm=False
-)
-
-# 🔟 Trening modelu
-trainer = Trainer(
-    model=model,
-    args=training_args,
-    train_dataset=tokenized_train,
-    eval_dataset=tokenized_eval,    # Dodany zestaw ewaluacyjny
-    data_collator=data_collator,
-)
-
-trainer.train()
-
-# 1️⃣1️⃣ Zapis modelu
-model.save_pretrained("./trained_model/gemma")
-tokenizer.save_pretrained("./trained_model/gemma")
-
-print("✅ Model został wytrenowany i zapisany!")

gpt.py

@@ -1,118 +0,0 @@
-import os
-import re
-import torch
-from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments, Trainer, DataCollatorForLanguageModeling
-from datasets import Dataset
-
-# Konfiguracja
-os.environ["TOKENIZERS_PARALLELISM"] = "false"
-MODEL_NAME = "gpt2-medium"
-SPECIAL_TOKENS = ["[CITATION_START]", "[CITATION_END]"]
-TEXT_FILE_PATH = "./docs/kodekspracy.txt"  # Zmień na właściwą ścieżkę
-
-def prepare_dataset_from_file(file_path):
-    with open(file_path, 'r', encoding='utf-8') as f:
-        text = f.read()
-
-    # Wydziel artykuły za pomocą wyrażenia regularnego
-    articles = re.findall(r'Art\.\s*\d+[a-z]*\..*?(?=\s*Art\.\s*\d+[a-z]*\.|\Z)', text, flags=re.DOTALL)
-    
-    formatted_articles = []
-    for article in articles:
-        # Usuń zbędne białe znaki
-        article = ' '.join(article.strip().split())
-        
-        # Wydziel numer artykułu i treść
-        art_match = re.match(r'Art\.\s*(\d+[a-z]*)\.?\s*(.*)', article, re.DOTALL)
-        if art_match:
-            art_number = art_match.group(1)
-            art_text = art_match.group(2)
-            
-            # Podziel na paragrafy, jeśli istnieją
-            paragraphs = re.split(r'(§\s*\d+\.)', art_text)
-            if len(paragraphs) > 1:
-                formatted_paragraphs = []
-                for i in range(1, len(paragraphs), 2):
-                    para_num = paragraphs[i].strip()
-                    para_text = paragraphs[i+1].strip()
-                    formatted_paragraphs.append(f"{para_num} {para_text}")
-                formatted = f"[CITATION_START] Kodeks Pracy, Art. {art_number} [CITATION_END]\n" + "\n".join(formatted_paragraphs)
-            else:
-                formatted = f"[CITATION_START] Kodeks Pracy, Art. {art_number} [CITATION_END] {art_text}"
-            
-            formatted_articles.append({"text": formatted})
-            
-        # Dodaj przykłady pytań i odpowiedzi
-        questions = [
-            f"Zacytuj artykuł {art_number} Kodeksu pracy.",
-            f"Co mówi artykuł {art_number} Kodeksu pracy?",
-            f"Podaj treść artykułu {art_number} Kodeksu pracy."
-        ]
-        for question in questions:
-            formatted_articles.append({"text": f"{question}\n{formatted}"})
-    
-    return formatted_articles
-
-
-def main():
-    # Inicjalizacja tokenizera
-    tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
-    tokenizer.add_special_tokens({"additional_special_tokens": SPECIAL_TOKENS})
-    tokenizer.pad_token = tokenizer.eos_token
-
-    # Przygotowanie danych
-    data = prepare_dataset_from_file(TEXT_FILE_PATH)
-    dataset = Dataset.from_dict({"text": [d["text"] for d in data]})
-
-    # Tokenizacja
-    def tokenize_function(examples):
-        tokenized = tokenizer(
-            examples["text"],
-            truncation=True,
-            padding="max_length",
-            max_length=1024,  # Zwiększono dla dłuższych artykułów
-            return_tensors="pt"
-        )
-        tokenized["labels"] = tokenized["input_ids"].clone()
-        return tokenized
-
-    tokenized_dataset = dataset.map(tokenize_function, batched=True)
-
-    # Model i data collator
-    model = AutoModelForCausalLM.from_pretrained(MODEL_NAME)
-    model.resize_token_embeddings(len(tokenizer), mean_resizing=False)
-    
-    data_collator = DataCollatorForLanguageModeling(
-        tokenizer=tokenizer,
-        mlm=False
-    )
-
-    # Konfiguracja treningu
-    training_args = TrainingArguments(
-        output_dir="./results",
-        num_train_epochs=32,  # Zwiększono liczbę epok
-        per_device_train_batch_size=2,
-        learning_rate=1e-5, #precyzja uczenia
-        logging_steps=10,
-        weight_decay=0.01,
-        report_to="none",
-        save_strategy="no",
-        load_best_model_at_end=True,  # Ładowanie najlepszego modelu na końcu
-    )
-
-
-    # Trainer
-    trainer = Trainer(
-        model=model,
-        args=training_args,
-        train_dataset=tokenized_dataset,
-        data_collator=data_collator
-    )
-
-    print("Rozpoczęcie treningu...")
-    trainer.train()
-    trainer.save_model("./trained_model/gpt")
-    tokenizer.save_pretrained("./trained_model/gpt")
-
-if __name__ == "__main__":
-    main()

hft.py

@@ -1,261 +0,0 @@
-import os
-import torch
-import torch.nn as nn
-from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments, Trainer, DataCollatorForLanguageModeling
-from datasets import Dataset
-import re
-import json
-import PyPDF2
-import docx2txt
-import pytesseract
-from PIL import Image
-from collections import defaultdict
-from huggingface_hub import login
-
-# Konfiguracja
-os.environ['TORCH_USE_CUDA_DSA'] = '1'
-os.environ["TOKENIZERS_PARALLELISM"] = "false"
-login(token="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")
-
-class SourceMapper:
-    def __init__(self):
-        self.source_to_idx = defaultdict(lambda: len(self.source_to_idx))
-        self.idx_to_source = {}
-        
-    def add_source(self, source):
-        if source and source not in self.source_to_idx:
-            idx = self.source_to_idx[source]
-            self.idx_to_source[idx] = source
-            
-    def get_idx(self, source):
-        return self.source_to_idx[source] if source else -1
-    
-    def get_source(self, idx):
-        return self.idx_to_source.get(idx, "Unknown")
-
-def load_file_catalog(catalog_path):
-    try:
-        with open(catalog_path, 'r', encoding='utf-8') as file:
-            return json.load(file)
-    except Exception as e:
-        print(f"Błąd wczytywania katalogu plików: {str(e)}")
-        return {}
-
-def identify_legal_document(filename, file_catalog):
-    base_name = os.path.splitext(filename)[0].lower()
-    return file_catalog.get(base_name, "Opracowanie własne")
-
-def extract_text_from_file(file_path):
-    try:
-        _, ext = os.path.splitext(file_path)
-        ext = ext.lower()
-        
-        if ext in ['.txt', '.md']:
-            with open(file_path, 'r', encoding='utf-8') as file:
-                return file.read()
-        elif ext == '.pdf':
-            text = ""
-            try:
-                with open(file_path, 'rb') as file:
-                    reader = PyPDF2.PdfReader(file)
-                    for page in reader.pages:
-                        text += page.extract_text() or ""
-            except Exception as e:
-                print(f"Błąd PDF: {str(e)}")
-            return text
-        elif ext in ['.doc', '.docx']:
-            return docx2txt.process(file_path)
-        elif ext in ['.jpg', '.jpeg', '.png', '.bmp', '.tiff']:
-            return pytesseract.image_to_string(Image.open(file_path))
-        else:
-            print(f"Nieobsługiwany format pliku: {ext}")
-            return ""
-    except Exception as e:
-        print(f"Błąd ekstrakcji tekstu: {str(e)}")
-        return ""
-
-def prepare_dataset(directory, catalog_path, source_mapper):
-    file_catalog = load_file_catalog(catalog_path)
-    data = []
-    
-    print(f"\n{'='*50}\nDIAGNOSTYKA DANYCH\n{'='*50}")
-    
-    for root, _, files in os.walk(directory):
-        for file in files:
-            file_path = os.path.join(root, file)
-            print(f"\nPrzetwarzanie pliku: {file_path}")
-            
-            try:
-                text = extract_text_from_file(file_path)
-                if not text.strip():
-                    print("Pominięto - brak tekstu")
-                    continue
-                    
-                print(f"Długość tekstu: {len(text)} znaków")
-                
-                doc_type = identify_legal_document(file, file_catalog)
-                print(f"Rozpoznany typ dokumentu: {doc_type}")
-                
-                if doc_type != "Opracowanie własne":
-                    articles = re.split(r'(?i)(Art[\.\s]+\d+[\.\s]?)', text)
-                    articles = [a.strip() for a in articles if a.strip()]
-                    
-                    print(f"Znaleziono {len(articles)} fragmentów")
-                    
-                    for i in range(0, len(articles)-1, 2):
-                        article_number = articles[i]
-                        article_content = articles[i+1]
-                        
-                        if len(article_content) < 50:
-                            continue
-                            
-                        source = f"{doc_type}, {article_number}"
-                        source_mapper.add_source(source)
-                        data.append({
-                            "text": f"{article_number} {article_content}",
-                            "source_idx": source_mapper.get_idx(source)
-                        })
-                else:
-                    clean_text = re.sub(r'\s+', ' ', text).strip()
-                    chunks = [clean_text[i:i+512] for i in range(0, len(clean_text), 512)]
-                    chunks = [c for c in chunks if c.strip()]
-                    
-                    for chunk in chunks:
-                        data.append({
-                            "text": chunk,
-                            "source_idx": -1
-                        })
-                    print(f"Dodano {len(chunks)} chunków")
-                    
-            except Exception as e:
-                print(f"Błąd podczas przetwarzania pliku: {str(e)}")
-                continue
-                
-    print(f"\nPodsumowanie przygotowania danych:")
-    print(f"Łączna liczba przykładów: {len(data)}")
-    if data:
-        print("Przykładowy wpis:")
-        print(json.dumps(data[0], indent=2, ensure_ascii=False))
-    else:
-        print("BRAK DANYCH - sprawdź diagnostykę powyżej")
-        
-    return data
-
-class CustomModel(nn.Module):
-    def __init__(self, model_name, config):
-        super().__init__()
-        self.base_model = AutoModelForCausalLM.from_pretrained(model_name, config=config)
-        self.source_embedding = nn.Embedding(10000, config.hidden_size, padding_idx=-1)
-        
-        for param in self.base_model.parameters():
-            param.requires_grad = False
-        for param in self.base_model.get_output_embeddings().parameters():
-            param.requires_grad = True
-            
-    def forward(self, input_ids=None, attention_mask=None, labels=None, source_idx=None, **kwargs):
-        if source_idx is not None:
-            valid_indices = torch.clamp(source_idx, 0, self.source_embedding.num_embeddings-1)
-            source_embeds = self.source_embedding(valid_indices).unsqueeze(1)
-            inputs_embeds = self.base_model.get_input_embeddings()(input_ids) + source_embeds
-            return self.base_model(
-                inputs_embeds=inputs_embeds,
-                attention_mask=attention_mask,
-                labels=labels,
-                **kwargs
-            )
-        return self.base_model(
-            input_ids=input_ids,
-            attention_mask=attention_mask,
-            labels=labels,
-            **kwargs
-        )
-    
-    def generate(self, *args, **kwargs):
-        return self.base_model.generate(*args, **kwargs)
-
-class CustomDataCollator(DataCollatorForLanguageModeling):
-    def torch_call(self, examples):
-        # Przetwórz podstawowe pola
-        input_ids = torch.stack([torch.tensor(ex["input_ids"]) for ex in examples])
-        attention_mask = torch.stack([torch.tensor(ex["attention_mask"]) for ex in examples])
-        labels = torch.stack([torch.tensor(ex["labels"]) for ex in examples])
-        
-        batch = {
-            "input_ids": input_ids,
-            "attention_mask": attention_mask,
-            "labels": labels
-        }
-        
-        # Dodaj source_idx jeśli istnieje
-        if "source_idx" in examples[0]:
-            source_idx = torch.stack([torch.tensor(ex["source_idx"]) for ex in examples])
-            batch["source_idx"] = source_idx
-            
-        return batch
-
-def main():
-    source_mapper = SourceMapper()
-    model_name = "crumb/nano-mistral"
-    tokenizer = AutoTokenizer.from_pretrained(model_name)
-    tokenizer.pad_token = tokenizer.eos_token
-
-    # Przygotowanie danych
-    catalog_path = "catalog.json"
-    data = prepare_dataset("docs", catalog_path, source_mapper)
-    
-    if not data:
-        print("\nBrak danych do treningu!")
-        return
-
-    #dataset = Dataset.from_list(data)
-    dataset = Dataset.from_dict({k: [d[k] for d in data] for k in data[0]})
-
-
-    def tokenize_function(examples):
-        tokenized = tokenizer(
-            examples["text"],
-            truncation=True,
-            padding="max_length",
-            max_length=512,
-            return_tensors="pt"
-        )
-        return {
-            "input_ids": tokenized["input_ids"].squeeze(),
-            "attention_mask": tokenized["attention_mask"].squeeze(),
-            "labels": tokenized["input_ids"].squeeze().clone(),
-            "source_idx": examples["source_idx"]  # Dodano bez konwersji do tensora
-        }
-
-    tokenized_dataset = dataset.map(tokenize_function, batched=True, batch_size=16)
-
-    model = CustomModel(model_name, AutoModelForCausalLM.from_pretrained(model_name).config)
-    model.source_mapper = source_mapper
-    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-    model.to(device)
-
-    training_args = TrainingArguments(
-        output_dir="./results",
-        num_train_epochs=3,
-        per_device_train_batch_size=2,
-        gradient_accumulation_steps=4,
-        learning_rate=2e-5,
-        fp16=torch.cuda.is_available(),
-        logging_steps=10,
-        save_strategy="steps",
-        save_steps=1000,
-        report_to="none",
-        remove_unused_columns=False
-    )
-
-    trainer = Trainer(
-        model=model,
-        args=training_args,
-        train_dataset=tokenized_dataset,
-        data_collator=CustomDataCollator(tokenizer=tokenizer, mlm=False)
-    )
-
-    print("\nRozpoczęcie treningu...")
-    trainer.train()
-
-if __name__ == "__main__":
-    main()

readme.md

@@ -1,35 +0,0 @@
-
-  # Przeczytaj uważnie przed uruchomieniem tego repo 📝  
-  To jest biblia szkolenia modeli obsługiwanych przez Ably.do 
-
-  ## Konfiguracja Git 🔥  
-  **git config --global credential.helper store** \
-  Przejdź do folderu, w którym będziesz przechowywał lokalne repo. (np. **cd /home**) \
-  Pobierz repo: \
-  **git clone https://repo.pokash.pl/POKASH.PL/ably.do.git** \
-  pierwszym razem zostaniesz poproszony o zalogowanie się.
-  
-  ## Konfiguracja Hugging Face Transpormers  🚀  
-  **huggingface-cli login** \
-  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
-
-  **W przypadku niektórych obrazów modeli musisz przejść przez akceptację licencji**
-  
-  ## Trenowanie modelu 🔥  
-  Przejdź do folderu, w którym będziesz pobierał wiedzę z repo. (np. /home). \
-  Pobierz najnowsze zmiany (**git pull**) \
-  Uruchom skrypt Python, który rozpocznie trenowanie modelu: \
-  **python3 hft.py**
-      
-  ## Wdrażanie modelu ✨  
-  Po wytrenowaniu modelu, 
-  musisz przekonwertować go do formatu GGUF, który obsługuje Ollama. \
-  Konwersja do GGUF
-  1.	Skorzystaj z narzędzia dostarczonego przez Ollama do konwersji: \
-  **ollama convert your_model.bin --output your_model.gguf** \
-  2.	Umieść przekonwertowany model w katalogu Ollama: \
-  **mv your_model.gguf ~/.ollama/models/**
-
-  Uruchomienie dostrojonego modelu \
-  Użyj nazwy swojego modelu w poleceniu: \
-  **ollama run your_model** *"Jakie są wymagania dotyczące ochrony słuchu?"*

requirements.txt

@@ -1,8 +0,0 @@
-torch>=2.0.1
-transformers>=4.30.2
-datasets>=2.13.1
-Pillow>=9.4.0
-pytesseract>=0.3.10
-python-docx>=0.8.11
-PyPDF2>=3.0.1
-huggingface-hub>=0.16.4

test.py

@@ -1,22 +0,0 @@
-from transformers import AutoModelForCausalLM, AutoTokenizer
-
-model_path = "./trained_model/gpt"
-model = AutoModelForCausalLM.from_pretrained(model_path)
-tokenizer = AutoTokenizer.from_pretrained(model_path)
-tokenizer.pad_token = tokenizer.eos_token
-model.config.pad_token_id = tokenizer.eos_token_id
-
-def generate_response(prompt, max_length=1000):
-    inputs = tokenizer(prompt, return_tensors="pt", padding=True, truncation=True)
-    outputs = model.generate(
-        inputs.input_ids,
-        attention_mask=inputs.attention_mask,
-        pad_token_id=tokenizer.pad_token_id,
-        max_length=100
-    )
-    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-    return response
-
-prompt = "Zacytuj paragraf pierwszy artykułu 154 Kodeksu pracy."
-response = generate_response(prompt)
-print(response)