from transformers import AutoModelForSequenceClassification, AutoTokenizer, Trainer, TrainingArguments, pipeline
from datasets import load_dataset
import gradio as gr
import os

# Charger le jeu de données SST-2
dataset = load_dataset("glue", "sst2")

# Charger le modèle BERT pré-entraîné et le tokenizer associé
model_name = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=2)  # 2 classes : positif et négatif

# Prétraitement des données
def preprocess_function(examples):
    return tokenizer(examples["sentence"], padding="max_length", truncation=True)

encoded_dataset = dataset.map(preprocess_function, batched=True)

# Configuration des arguments d'entraînement
training_args = TrainingArguments(
    per_device_train_batch_size=8,
    evaluation_strategy="epoch",
    logging_dir="./logs",
    output_dir="./results",
    num_train_epochs=3,
)

# Entraînement du modèle
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=encoded_dataset["train"],
    eval_dataset=encoded_dataset["validation"],
)

# Vérifiez si le modèle a déjà été entraîné et sauvegardé
if not os.path.exists("./fine_tuned_model"):
    trainer.train()
    # Sauvegarder le modèle fine-tuné et le tokenizer
    model.save_pretrained("./fine_tuned_model")
    tokenizer.save_pretrained("./fine_tuned_model")
else:
    # Charger le modèle fine-tuné
    model = AutoModelForSequenceClassification.from_pretrained("./fine_tuned_model")
    tokenizer = AutoTokenizer.from_pretrained("./fine_tuned_model")

# Créer un pipeline de classification des sentiments
sentiment_analysis = pipeline("sentiment-analysis", model=model, tokenizer=tokenizer)

# Fonction pour générer une réponse à partir du message de l'utilisateur
def generate_response(message):
    result = sentiment_analysis(message)[0]
    return f"Label: {result['label']}, Score: {result['score']}"

# Configurer et lancer l'interface de chat avec Gradio
gr.ChatInterface(fn=generate_response).launch()