app.py

import gradio as gr
from PIL import Image
import numpy as np
import faiss
import torch


#載入聊天機器人模型
from transformers import AutoTokenizer, AutoModelForCausalLM,TextIteratorStreamer,AutoModel
from threading import Thread

tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-0.5B-Instruct")
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2-0.5B-Instruct")
# device = "cuda"
# model.to(device)
def chat(message, history):
    prompt = [
        {"role": "system", "content": "You are a helpful assistant."},
    ]
    for i in history:
        prompt.append({"role": "user", "content": i[0]})
        prompt.append({"role": "assisant", "content": i[1]})
    prompt.append({"role": "user", "content": message})

    messages = prompt

    text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
    )   

    # model_inputs = tokenizer([text], return_tensors="pt").to("cuda")
    model_inputs = tokenizer([text], return_tensors="pt")
    streamer = TextIteratorStreamer(tokenizer, timeout=10., skip_prompt=True, skip_special_tokens=True)
    generate_kwargs = dict(
        model_inputs,
        streamer=streamer,
        max_new_tokens=512,
        do_sample=True,
        top_p=0.95,
        top_k=1000,
        temperature=1.0,
        )
    t = Thread(target=model.generate, kwargs=generate_kwargs)
    t.start()
    partial_message = ""
    for new_token in streamer:
            partial_message += new_token
            yield partial_message


#AI履歷助手(使用RAG)
embd= AutoModel.from_pretrained('jinaai/jina-embeddings-v2-base-zh', trust_remote_code=True, torch_dtype=torch.bfloat16)
doc={'技能':'python，深度學習，web開發，數據分析',
     '經歷':'ICIM2024研討會、碩士期間擔任指導教授所開的類神經網路課程助教、大學專題實務成果展競賽亞軍，技術類業界評選第一名。',
     '論文概述':'題為「基於情緒支持的對話：融合情緒感知和關鍵字識別的研究」。研究旨在通過聊天機器人為情緒困擾者提供陪伴，緩解其短期心理壓力。本文提出的模型結合情緒標籤和關鍵字識別技術，與其他基礎模型相比，能夠提供更精準的回復，從而更有效地支持用戶的情緒需求。',
     '證照':'電腦硬體裝修丙級、電腦硬體裝修乙級、Database Administration Fundamentals、Software Development Fundamentals、Networking Fundamentals、CRM Merchandise Analyst、Enterprise Resource Planning',
     '助教工作內容':'主要協助老師指導學生實作部分。包括使用 WEKA 軟體教導學生快速構建和分析機器學習模型，並解釋模型結果的含義。後期則引導學生安裝 Python 環境，撰寫並執行機器學習模型的程式碼，幫助學生在未來能夠運用 AI 技術更有效地完成工作。',
     '專題內容':'專題名稱：熱影像結合人臉偵測暨網頁瀏覽系統。為因應新冠疫情，無接觸體溫檢測需求激增，本專題開發了利用紅外線熱影像和後端資料庫蒐集，最終實現異地閱覽和確保體溫監測的安全與效率。/n我的貢獻：硬體設備組裝、人臉偵測和後端資料庫及視覺化',
     '專案':'學生點名系統、氣管插管預測、貨車車牌辨識、聊天機器人',
     '學生點名系統簡述':'''
動機與目的： 鑒於每次上課點名都是老師的一大負擔，開發了這個學生點名系統，旨在幫助老師更有效地進行點名。本專案使用 Laravel 開源 PHP Web 框架開發，主要功能包括：
老師功能：
- 查看課表及點名記錄
- 查看學生出缺席和請假狀況
- 審核學生請假申請
學生功能：
- 查看課表及進行點名
- 查看出缺席和請假記錄
- 申請請假
該完整專案在github上，網址：https://github.com/WISD-2020/final02
''',
'氣管插管預測簡述':'動機與目的：為了協助醫生在執行插管時更精確地將氧氣管置入正確位置，我們利用影像分割技術（如 TransUnet、UNet++ 等）來實現該目標。最後，我們結合邊緣檢測與形態學技術，精確量化預測與實際的誤差，以提高插管的成功率並降低風險。',
'貨車車牌辨識簡述':'動機與目的：為了提高貨車進出倉庫的效率，我們建立一個車牌辨識系統，該系統基於深度學習技術，主要透過yolo來偵測車牌位置，再透過OCR技術來識別車牌號碼，最後將車牌號碼與倉庫數據庫進行比對，以確保進出貨物的準確性。 ',
'聊天機器人簡述':'過去在研究語言模型時，尚未設計與機器人對話的專屬介面，因此這次實作了一個簡單的聊天機器人介面。該聊天機器人基於 Qwen 大型預訓練語言模型，這是一個多語言支持的模型，供使用者進行互動體驗。',
     }
docs=['主要的技能(技術)包含：python，深度學習，web開發，數據分析',
'特別經歷包含:ICIM2024研討會、碩士期間擔任指導教授所開的類神經網路課程助教、大學專題實務成果展競賽亞軍，技術類業界評選第一名。',
'論文概述:題為「基於情緒支持的對話：融合情緒感知和關鍵字識別的研究」。研究旨在通過聊天機器人為情緒困擾者提供陪伴，緩解其短期心理壓力。本文提出的模型結合情緒標籤和關鍵字識別技術，與其他基礎模型相比，能夠提供更精準的回復，從而更有效地支持用戶的情緒需求。',
'在高中和大學時期所拿到的證照有：電腦硬體裝修丙級、電腦硬體裝修乙級、Database Administration Fundamentals、Software Development Fundamentals、Networking Fundamentals、CRM Merchandise Analyst、Enterprise Resource Planning',
'助教工作內容:主要協助老師指導學生實作部分。包括使用 WEKA 軟體教導學生快速構建和分析機器學習模型，並解釋模型結果的含義。後期則引導學生安裝 Python 環境，撰寫並執行機器學習模型的程式碼，幫助學生在未來能夠運用 AI 技術更有效地完成工作。',
'大學專題內容:專題名稱：熱影像結合人臉偵測暨網頁瀏覽系統。為因應新冠疫情，無接觸體溫檢測需求激增，本專題開發了利用紅外線熱影像和後端資料庫蒐集，最終實現異地閱覽和確保體溫監測的安全與效率。/n我的貢獻：硬體設備組裝、人臉偵測和後端資料庫及視覺化',
'參與過的專案包含：學生點名系統、氣管插管預測、貨車車牌辨識、聊天機器人',
'''學生點名系統簡述:
動機與目的： 鑒於每次上課點名都是老師的一大負擔，開發了這個學生點名系統，旨在幫助老師更有效地進行點名。本專案使用 Laravel 開源 PHP Web 框架開發，主要功能包括：
老師功能：
- 查看課表及點名記錄
- 查看學生出缺席和請假狀況
- 審核學生請假申請
學生功能：
- 查看課表及進行點名
- 查看出缺席和請假記錄
- 申請請假
該完整專案在github上，網址：https://github.com/WISD-2020/final02
''',
'氣管插管預測簡述:動機與目的：為了協助醫生在執行插管時更精確地將氧氣管置入正確位置，我們利用影像分割技術（如 TransUnet、UNet++ 等）來實現該目標。最後，我們結合邊緣檢測與形態學技術，精確量化預測與實際的誤差，以提高插管的成功率並降低風險。',
'貨車車牌辨識簡述:動機與目的：為了提高貨車進出倉庫的效率，我們建立一個車牌辨識系統，該系統基於深度學習技術，主要透過yolo來偵測車牌位置，再透過OCR技術來識別車牌號碼，最後將車牌號碼與倉庫數據庫進行比對，以確保進出貨物的準確性。 ',
'聊天機器人簡述:過去在研究語言模型時，尚未設計與機器人對話的專屬介面，因此這次實作了一個簡單的聊天機器人介面。該聊天機器人基於 Qwen 大型預訓練語言模型，這是一個多語言支持的模型，供使用者進行互動體驗。',
]
def get_embedding(text):
    embd_ = embd.encode(text)
    embd_ = embd_ / np.linalg.norm(embd_)  # 归一化
    return embd_

#建立嵌入向量庫
def add_to_faiss_index(embeddings):
    vector = np.array(embeddings)
    # 设置检索维度       
    index = faiss.IndexFlatIP(vector.shape[1])
    faiss.normalize_L2(vector)
    index.add(vector)
    return index

embedding_array = [get_embedding(text) for text in doc]
faiss_index =add_to_faiss_index(embedding_array)
embedding_array_1 = [get_embedding(text) for text in docs]
faiss_index_1 =add_to_faiss_index(embedding_array_1 )
def vector_search(index,index_1, query_embedding, k=3, threshold=0.5):
    distances, indices = index.search(np.array([query_embedding]), k)

    # 如果想要筛选相似度大于某个阈值的结果，可以这样做
    results = []
    for i in range(k):
        if distances[0][i] > threshold:  # 余弦相似度的距离应该是越大越相似
            results.append(docs[indices[0][i]])
    if not results:
        distances, indices = index_1.search(np.array([query_embedding]), k)
        for i in range(k):
            if distances[0][i] > 0.4:  # 余弦相似度的距离应该是越大越相似
                results.append(docs[indices[0][i]])      
    print('\n'.join(results))     
    return results if results else None
def resume_QA(message, history):
    query_embedding = get_embedding(message)
    search_results = vector_search(faiss_index,faiss_index_1, query_embedding)
    if search_results:
        search_results='\n'.join(search_results)
    prompt = [
        {"role": "system", "content":f"""
    你是一位助手，幫助人家了解巫宇哲這個人。你只能根據下列提供的資訊回答問題，並且所有回答必須完全符合已提供的資訊，不能添加任何新內容或自己推測的訊息。如果問題的答案不在提供的資訊中，請明確回答 "沒有這方面的資料"。所有回答必須基於已提供的資料。
    並且**嚴禁提及自己是 AI 或無法回答問題**。所有回答必須基於已提供的資料，禁止出現類似「在這個特定的環境下，我無法提供詳細信息」、「我是AI，無法回答此問題」或任何與 AI 自身相關的回覆。
        
    提供的資訊：
    Name: 巫宇哲
    {search_results}

    請根據上面的資訊來回答問題。
    """}
    ]
    for i in history:
        prompt.append({"role": "user", "content": i[0]})
        prompt.append({"role": "assisant", "content": i[1]})
    prompt.append({"role": "user", "content": message})

    messages = prompt

    text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
    )   

    model_inputs = tokenizer([text], return_tensors="pt").to("cuda")
    streamer = TextIteratorStreamer(tokenizer, timeout=50., skip_prompt=True, skip_special_tokens=True)
    generate_kwargs = dict(
        model_inputs,
        streamer=streamer,
        max_new_tokens=512,
        do_sample=True,
        temperature=0.9,
        top_k=5,
        top_p=0.95,
        min_length=50,
        )
    t = Thread(target=model.generate, kwargs=generate_kwargs)
    t.start()
    partial_message = ""
    for new_token in streamer:
            partial_message += new_token
            yield partial_message

avatar_images = ["https://cdn-icons-png.flaticon.com/128/3135/3135715.png",
                 "https://encrypted-tbn0.gstatic.com/images?q=tbn:ANd9GcTIJYnfODgs7q_Q4k6RoUL592NBlSF7wUTEhT92lRyqc4HTunB-"]

custom_css = """
.gradio-container {background-color: #f0f0f0;padding-top: 0px !important;}
/*.container {max-width: 100px; margin: 0; font-family: 'Arial', sans-serif;}*/
.header {background-color: #2c3e50; color: white; padding: 10px; text-align: center; border-radius: 10px 10px 0 0;margin-bottom: 0; /* Ensure no margin below header */}
.content {background-color: white; padding: 10px; border-radius: 0 0 10px 10px; margin: 0;margin-top: 0;}
.profile-pic {width: 150px; height: 150px; border-radius: 50%; margin: 20px auto; display: block;}
.skills {display: flex; justify-content: space-around; margin-top: 20px;margin-bottom: 20px;}
.skill {text-align: center; padding: 10px; background-color: #ecf0f1; border-radius: 5px;}
.cert-row {border-bottom: 1px solid #ddd; padding: 10px 0;}
.cert-header {background-color: #f2f2f2; font-weight: bold;}

/* footer styling */
.gradio-container footer {
    display: none !important;
}
.custom-footer {
    text-align: center;
    padding: 0; /* 减小上下内边距 */
    # line-height: 1.2; /* 减小行高 */
    margin-top: 0; /* 减小与上方内容的间距 */
    margin-bottom: 0; /* 减小与下方内容的间距 */
}
.custom-footer p {
    margin: 0; /* 移除段落的默认外边距 */
}


/* 主要針對chatbot聊天對話框設計版面*/
.custom-chatbot {
    background-color: #FBFBFF !important; /* 機器人對話框背景顏色 */
  
}
.custom-chatbot .flex-wrap.user {
    background-color: #ECF5FF !important; /* 使用者訊息框的背景顏色 */
    border:  solid 1px #E6CAFF
}
.custom-chatbot .flex-wrap.bot {
    background-color: #ECF5FF !important; /* 使用者訊息框的背景顏色 */
    border:  solid 1px #E6CAFF
}
.custom-chatbot label.svelte-1b6s6s {
    background-color: 	#E8FFF5 !important;  /* 設定背景顏色 */
}    
button.lg.primary.svelte-cmf5ev {
    background-image: linear-gradient(120deg, #a1c4fd 0%, #c2e9fb 100%) !important; /* 按鈕背景顏色 */
    color: #4F4F4F !important; /* 文字顏色 */
}
"""
custom_footer = """
<div class="custom-footer">
    <p>© 2024 Your Company Name. All rights reserved.</p>
</div>
"""

def load_image(image_path):
    img = Image.open(image_path)
    return np.array(img)

#讀取頭貼
image_path = "/content/drive/My Drive/個人資料/頭貼.jpg"
# profile_array = load_image(image_path)

#讀去證照圖片
import gradio as gr

def render_html(prove):
    if prove is not None:
        return f'<a href="{prove}" target="_blank">點擊查看證明</a>'
    else:
        return ''

with gr.Blocks(css=custom_css,title='我的履歷') as resume_app:# title可以修改页面标题
    # with gr.Column():
        gr.HTML("""
        <div class="header">
            <h1>巫宇哲的個人簡歷</h1>
            <p>軟體工程師 | AI 愛好者 | 數據分析師</p>
        </div>
        """)
        with gr.Tab("履歷資料",elem_classes="content"):
            with gr.Row():
                with gr.Column(scale=1):
                    gr.Image('履歷資料/頭貼.jpg', elem_classes="profile-pic",show_label=False)
                    gr.Markdown("""
                    <div style="text-align:center;">
                    <p style="margin-bottom: 0;">
                        📧 <a href="mailto:a0903153387@yahoo.com.tw" style="text-decoration: none; color: inherit;">a0903153387@yahoo.com.tw</a>
                    </p>
                    <p style="margin-bottom: 0;">
                        📱 <a href="tel:+1234567890" style="text-decoration: none; color: inherit;">0916-418068</a>
                    </p>
                    <p style="margin-bottom: 0; display: flex; align-items: center; justify-content: center;">
                        <img src="https://github.githubassets.com/images/modules/logos_page/GitHub-Mark.png" alt="GitHub" style="width:16px; height:16px; margin-right: 5px;">
                        <a href="https://github.com/3A732038" target="_blank" style="text-decoration: none; color: inherit;">github.com/3A732038</a>
                    </p>
                    </div>
                    """)
                    gr.Markdown("""
                    關於我
                    ===
                    熱衷於探索 AI 技術的軟體工程師，擅長 Python 和機器學習。
                    熟悉各類開發工具與框架，並具備網站開發與資料庫使用經驗。喜歡將創新想法轉化為實際應用。
                    """)
                    gr.Markdown("""

                    技能
                    ===
                    """)
                    with gr.Row(elem_classes="skills"):
                        for skill in ["Python", "深度學習", "Web 開發", "數據分析"]:
                            gr.Markdown(f"<div class='skill'>{skill}</div>")
                    with gr.Row():
                        with gr.Column(scale=2):
                            gr.Markdown("""
                            特殊經歷
                            ===         
                            """)
                            prove=['file/履歷資料/研討會證明.png',None,'file/履歷資料/專題名次.pdf']
                            name=['ICIM2024研討會: 提交的研究成果被接受，並在研討會上進行了發表。','碩二下學期擔任指導教授所開的類神經網路課程助教。','大學專題實務成果展競賽亞軍，技術類業界評選第一名。']
                            describe=['本研究基於研究所時期的成果，題為「基於情緒支持的對話：融合情緒感知和關鍵字識別的研究」。研究旨在通過聊天機器人為情緒困擾者提供陪伴，緩解其短期心理壓力。本文提出的模型結合情緒標籤和關鍵字識別技術，與其他基礎模型相比，能夠提供更精準的回復，從而更有效地支持用戶的情緒需求。<a href="file/履歷資料/巫宇哲_研討會.pdf" target="_blank">投稿內文連結</a>',
                                    '主要協助老師指導學生實作部分。包括使用 WEKA 軟體教導學生快速構建和分析機器學習模型，並解釋模型結果的含義。後期則引導學生安裝 Python 環境，撰寫並執行機器學習模型的程式碼，幫助學生在未來能夠運用 AI 技術更有效地完成工作。' ,
                                    '<i>專題名稱：熱影像結合人臉偵測暨網頁瀏覽系統。</i></br>為因應新冠疫情，無接觸體溫檢測需求激增，本專題開發了利用紅外線熱影像和後端資料庫蒐集，最終實現異地閱覽和確保體溫監測的安全與效率。<a href="file/履歷資料/專題文件.pdf" target="_blank">專題內文連結</a></br></br><b>我的貢獻：硬體設備組裝、人臉偵測和後端資料庫及視覺化</b>'
                                    ]
        
                            for i in range(len(name)):
                                gr.HTML(f"""
                                <div style="margin-bottom: 10px;">        
                                <ui>
                                <li>
                                <p style="font-size: 1.3em; font-weight: bold;">{name[i]}</p>
                                <span style="font-size: 1.0em; font-weight: normal;">
                                {render_html(prove[i])}   
                                </span>
                                </li>                          
                                </ui>
                                </div>
                                &emsp;<strong>內容簡述：</strong> {describe[i]}                       
                                </br>
                                </br>
                                """)  
                with gr.Column(scale=1):
                    gr.HTML('''
                    <div style="font-size: 32px; font-weight: bold; color: #2c3e50; margin: 0; padding: 0;">
                        證照
                    </div>
                    <hr style="border: none; border-top: 2px solid #2c3e50; margin: 1% 0;">
                    ''')
                    # Certificate table header
                    with gr.Row(elem_classes="cert-row cert-header"):
                        with gr.Column(scale=1, min_width=100):
                            gr.Markdown("### 證照名稱")
                        with gr.Column(scale=1, min_width=100):
                            gr.Markdown("### 證照機構")
                        with gr.Column(scale=2, min_width=200):
                            gr.Markdown("### 證照照片")

                    # Certificate data rows
                    certificates = [
                        ("電腦硬體裝修丙級", "勞動部", "履歷資料/硬體裝修丙級_mask.jpg"),
                        ("電腦硬體裝修乙級", "勞動部", "履歷資料/硬體裝修乙級_mask.jpg"),
                        ("Database Administration Fundamentals", "微軟", "履歷資料/DAF.jpg"),
                        ("Software Development Fundamentals", "微軟", "履歷資料/SDF.jpg"),
                        ("Networking Fundamentals", "微軟", "履歷資料/NF.png"),
                        ("CRM Merchandise Analyst", "微析科技", "履歷資料/crm_mask.jpg"),
                        ("Enterprise Resource Planning", "中華企業資源規劃學會", "履歷資料/erp.jpg"),
                    ]

                    for cert_name, cert_org, cert_img in certificates:
                        with gr.Row(elem_classes="cert-row"):
                            with gr.Column(scale=1, min_width=100):
                                gr.Markdown(cert_name)
                            with gr.Column(scale=1, min_width=100):
                                gr.Markdown(cert_org)
                            with gr.Column(scale=2, min_width=200):
                                gr.Image(cert_img, height=100, show_label=False)
        with gr.Tab("專案展示",elem_classes="content"):                    
            with gr.Row():
                with gr.Column(scale=1):
                    gr.Markdown("""
                        ## 學生點名系統
                        <strong>動機與目的：</strong> 鑒於每次上課點名都是老師的一大負擔，開發了這個學生點名系統，旨在幫助老師更有效地進行點名。本專案使用 Laravel 開源 PHP Web 框架開發，主要功能包括：
                        <div style="display: flex;">
                        <div style="width: 20%;">
                            <b>老師功能</b>：
                            </br>
                            - 查看課表及點名記錄</br>
                            - 查看學生出缺席和請假狀況</br>
                            - 審核學生請假申請
                        </div>
                        <div style="width: 20%;">
                            <b>學生功能：</b>
                            </br>
                            - 查看課表及進行點名</br>
                            - 查看出缺席和請假記錄</br>
                            - 申請請假
                        </div>
                        </div>
                        </br>
                        下圖為學生點名系統的截圖：
                    """)
                    with gr.Row():
                        with gr.Column(scale=1):
                            gr.Markdown("""老師主頁課表封面""")
                            gr.Image('履歷資料/網頁1.jpg',container=False)#container 決定是否外面有框框
                        with gr.Column(scale=1):  
                            gr.Markdown("""老師查看出缺席""")
                            gr.Image('履歷資料/網頁2.jpg',container=False)
                    gr.Markdown("""完整專案可參閱本github：<a href="https://github.com/WISD-2020/final02" target="_blank">學生點名系統專案</a>""")        
                    gr.Markdown("""<hr style="border-top: 2px solid;border-color:#169bf2;">""")
                    gr.Markdown("""
                    ## 氣管插管預測
                    <strong>動機與目的：</strong>為了協助醫生在執行插管時更精確地將氧氣管置入正確位置，我們利用影像分割技術（如 TransUnet、UNet++ 等）來實現該目標。最後，我們結合邊緣檢測與形態學技術，精確量化預測與實際的誤差，以提高插管的成功率並降低風險。
                    該成果如下展示：
                                """)
                    #提交要的範例後顯示對應該範例氣管插管真實和預測位置
                    def choice(input_idx,img):
                        if input_idx == "example_2":
                            return (gr.Image('履歷資料/EET_project/ex_2_pred.jpg', container=False,interactive=False,label='影像切割所預測出來的mask',visible=True,height=310),
                                     gr.Image('履歷資料/EET_project/ex_2_label.jpg', container=False,interactive=False,label='真實氣管的mask位置',visible=True,height=310)    
                            )
                        elif input_idx == "example_3":
                            return (gr.Image('履歷資料/EET_project/ex_3_pred.jpg', container=False,interactive=False,label='影像切割所預測出來的mask',visible=True,height=310),
                                    gr.Image('履歷資料/EET_project/ex_3_label.jpg', container=False,interactive=False,label='真實氣管的mask位置',visible=True,height=310)     
                            )
                        else:
                            return (gr.Image('履歷資料/EET_project/ex_1_pred.jpg', container=False,interactive=False,label='影像切割所預測出來的mask',visible=True,height=310),
                                    gr.Image('履歷資料/EET_project/ex_1_label.jpg', container=False,interactive=False,label='真實氣管的mask位置',visible=True,height=310)  
                            )    
                        
                    # 定義一個函數來根據 Dropdown 的選擇更新圖片
                    def update_image(choice):
                        # 根據選擇返回對應的圖片
                        if choice == "example_1":
                            return '履歷資料/EET_project/ex_1_init.jpg'
                        elif choice == "example_2":
                            return '履歷資料/EET_project/ex_2_init.jpg'
                        elif choice == "example_3":
                            return '履歷資料/EET_project/ex_3_init.jpg'
                    with gr.Row():
                        with gr.Column(scale=1):           
                            dropdown = gr.Dropdown(["example_1", "example_2", "example_3"], label="Endotracheal Tube資料", info="氣管X-ray影像", value="example_1", interactive=True)
                            image = gr.Image('履歷資料/EET_project/ex_1_init.jpg', container=False,interactive=False)                         
                            # 當 Dropdown 值改變時更新 Image
                            dropdown.change(fn=update_image, inputs=dropdown, outputs=image)
                            gr.Interface(choice
                                 ,inputs=[dropdown,image]
                                 ,outputs=[gr.Image(visible=False),gr.Image(visible=False)],allow_flagging='never')
                    gr.HTML("""成果文件檔案：<a href="file/履歷資料/EET_project/EET_doc.pdf" target="_blank">EET成果文件檔</a>&emsp;&emsp;完整專案可參閱本github：<a href="https://github.com/3A732038/hw2_M11123020" target="_blank">EET專案</a>""")        
                    gr.Markdown("""<hr style="border-top: 2px solid;border-color:#169bf2;">""")       
                    gr.Markdown("""
                    ## 貨車車牌辨識
                    <strong>動機與目的：</strong>為了提高貨車進出倉庫的效率，我們建立一個車牌辨識系統，該系統基於深度學習技術，主要透過yolo來偵測車牌位置，再透過OCR技術來識別車牌號碼，最後將車牌號碼與倉庫數據庫進行比對，以確保進出貨物的準確性。
                    該成果如下影片展示：                       
                    """)
                    with gr.Row(): 
                        with gr.Column(scale=1): 
                            gr.Video('履歷資料/貨車車牌/video_0001.mp4',label='原始貨車影片')
                        with gr.Column(scale=1): 
                            gr.Video('履歷資料/貨車車牌/video_0001_result.mkv',label='車牌辨識影片')  
                    gr.HTML("""成果文件檔案：<a href="file/履歷資料/貨車車牌/貨車車牌_doc.pdf" target="_blank">貨車車牌成果文件檔</a>&emsp;&emsp;完整專案可參閱本github：<a href="https://github.com/3A732038/hw3_M11123020" target="_blank">貨車車牌辨識專案</a>""")                                                    
                    gr.Markdown("""<hr style="border-top: 2px solid;border-color:#169bf2;">""") 
                    gr.Markdown("""
                    ## 聊天機器人
                    """)
                    gr.Markdown("""
                    <strong>動機與目的：</strong>過去在研究語言模型時，尚未設計與機器人對話的專屬介面，因此這次實作了一個簡單的聊天機器人介面。該聊天機器人基於 Qwen 大型預訓練語言模型，這是一個多語言支持的模型，供使用者進行互動體驗。
                    <br>
                    ※ 注意：若畫面出現 error，請重新整理頁面！
                    """)                    
                    gr.ChatInterface(
                        chat,
                        chatbot=gr.Chatbot(avatar_images=avatar_images),
                        textbox=gr.Textbox(placeholder="輸入你的訊息...", elem_id="textbox"),
                        submit_btn='送出',
                        clear_btn='清除',
                        retry_btn='重新送出',
                        undo_btn=None
                    )
                    gr.Markdown("""<hr style="border-top: 2px solid;border-color:#169bf2;">""")   
                    gr.HTML(f"""
                    <h2>其他專案</h2>
                    <h3>
                    <ul> <li>分類預測和回歸預測：</li> </ul>
                    </h3>
                    使用<a href="https://archive.ics.uci.edu/dataset/2/adult">成人資料集</a> 進行測試，針對收入（income）欄位進行分類預測，針對每週工時（hours-per-week）欄位進行回歸預測。我們應用了決策樹、隨機森林、支援向量機等機器學習演算法，並使用混淆矩陣、ROC 曲線、AUC 等指標來評估模型的表現。
                    <h3>
                    <ul> <li>分群預測：</li> </ul>
                    </h3>
                    使用<a href="https://archive.ics.uci.edu/ml/datasets/iris">IRIS資料集</a>進行分群預測，採用了 K-means、DBSCAN 和層次聚類演算法。模型表現的評估則基於 purity 指標。
                    <h3>
                    <ul> <li>關聯規則：</li> </ul>
                    </h3>
                    使用交易資料集進行關聯規則分析，採用了 Apriori 和 FP-Growth 演算法來找出產品之間的關聯，並以支持度與置信度來評估規則的強度。該完整內容如右：<a href="file/履歷資料/DM/DM_4.pdf" target="_blank">關聯規則文件檔案</a> 
                    <h3>
                    <ul> <li>深度學習做分類和回歸預測：</li> </ul>
                    </h3>
                    與上述分類與回歸預測相似，使用 <a href="https://archive.ics.uci.edu/dataset/2/adult">成人資料集</a>作為測試，不同之處在於這次使用了自建的類神經網路進行預測，評估指標依然保持一致。
                    <h3>
                    <ul> <li>降維：</li> </ul>
                    </h3>
                    應用了多維縮放（MDS）與 t-SNE 等降維技術，將高維資料降至二維並進行視覺化展示。同時，對於名目尺度資料，我們除了使用 one-hot encoding，還特別測試了 word embedding 技術。該完整內容如右：<a href="file/履歷資料/ML/ML_4.pdf" target="_blank">降維文件檔案</a> 
                                            
                    """)

        with gr.Tab("AI小助手",elem_classes="content"):
            gr.Markdown("""
            ## <div align='center' >AI履歷助手：巫宇哲的智能個人資料查詢</div>
            <strong>主要用途：</strong>此語言模型運用檢索增強生成 (RAG) 技術，為巫宇哲的個人資訊提供客製化聊天服務。透過實時檢索相關資料，模型能夠準確且生成個性化回覆，無需額外訓練。
            特別適合在有新資料時，模型能即時更新知識，而無需反覆進行訓練，或是在無法進行大規模模型訓練的情境下使用。<br>
            ※ 注意：該模型提供的資訊僅供參考，可能存在誤差，請根據履歷資料和專案展示頁面加以判斷。若是出現模型回答不好的情況也可以按重新發送按鈕，讓模型在回答一次。
            """)
            gr.ChatInterface(
                resume_QA,
                chatbot=gr.Chatbot(height=400, elem_classes="custom-chatbot",avatar_images=avatar_images),
                textbox=gr.Textbox(placeholder="Ask me a yes or no question", container=False, scale=7),
                examples=["有參與過那些專案?", "有哪些證照或是技能?", "有什麼特殊經歷?","貨車車牌辨識在做什麼?","會使用python嗎?"],
                cache_examples=True,
                retry_btn="Retry",
                undo_btn="Delete Previous",
                clear_btn="Clear",
            )                    
    # gr.HTML(custom_footer)                    
resume_app.launch(allowed_paths=['./'],favicon_path='履歷資料/android-chrome-512x512.png')