import gradio as gr
from transformers import AutoProcessor, AutoTokenizer
from peft import AutoPeftModelForCausalLM
import torch
import os

if os.environ.get('HF_TOKEN') is None:
    raise ValueError("You must set the HF_TOKEN environment variable to use this script, you also need to have access to the Llama 3.2 model family")

hugging_face_model_id = "eltorio/Llama-3.2-3B-appreciation"
base_model_path = "meta-llama/Llama-3.2-3B-Instruct"
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')

device_desc = f"Cette I.A. fonctionne sur {device} 🚀." if device == torch.device('cuda') else f"🐢 Cette I.A. ne peut pas fonctionner sur {device} 🐢."
# Define the title, description, and device description for the Gradio interface
title = f"Une intelligence artificielle pour écrire des appréciations qui tourne sur {device}"
desc = "Ce modèle vous propose une évaluation automatique."

# Define the long description for the Gradio interface
long_desc = f"Cette démonstration est basée sur le modèle <a href='https://huggingface.co/eltorio/Llama-3.2-3B-appreciation'>Llama-3.2-3B-appreciation</a>, c'est un LLM basé sur Llama 3.2 3B-instruct!<br><b>{device_desc}</b><br> 2024 - Ronan Le Meillat"

if torch.cuda.is_available():
    # Determine the device (GPU or CPU) to run the model on
    device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
    print(f"Using device: {device}")  # Log the device being used
    # Initialize the processor from the base model path
    processor = AutoProcessor.from_pretrained(base_model_path, trust_remote_code=True)
    # Initialize the model from the base model path and set the torch dtype to bfloat16
    peft_model = AutoPeftModelForCausalLM.from_pretrained(hugging_face_model_id,low_cpu_mem_usage=True)
    merged_model = peft_model.merge_and_unload()
    tokenizer = AutoTokenizer.from_pretrained(hugging_face_model_id)


    #tokenizer = get_chat_template(
    #    tokenizer,
    #    chat_template = "llama-3.1",
    #)

    # Define a function to infer a evaluation from the incoming parameters
    def infere(trimestre: str, moyenne_1: float,moyenne_2: float,moyenne_3: float, comportement: float, participation: float, travail: float) -> str:

        if trimestre == "1":
            trimestre_full = "premier trimestre"
            user_question = f"Veuillez rédiger une appréciation en moins de 40 mots pour le {trimestre_full} pour cet élève qui a eu {moyenne_1} de moyenne, j'ai évalué son comportement à {comportement}/10, sa participation à {participation}/10 et son travail à {travail}/10. Les notes ne doivent pas apparaître dans l'appréciation."
        elif trimestre == "2":
            trimestre_full = "deuxième trimestre"
            user_question = f"Veuillez rédiger une appréciation en moins de 40 mots pour le {trimestre_full} pour cet élève qui a eu {moyenne_2} de moyenne ce trimestre et {moyenne_1} au premier trimestre, j'ai évalué son comportement à {comportement}/10, sa participation à {participation}/10 et son travail à {travail}/10. Les notes ne doivent pas apparaître dans l'appréciation."
        elif trimestre == "3":
            trimestre_full = "troisième trimestre"
            user_question= f"Veuillez rédiger une appréciation en moins de 40 mots pour le {trimestre_full} pour cet élève qui a eu {moyenne_3} de moyenne ce trimestre, {moyenne_2} au deuxième trimestre et {moyenne_1} au premier trimestre, j'ai évalué son comportement à {comportement}/10, sa participation à {participation}/10 et son travail à {travail}/10. Les notes ne doivent pas apparaître dans l'appréciation."

        # Define a chat template for the model to respond to
        _messages = [
            {
                "role": "system",
                "content": "Vous êtes une IA assistant les enseignants d'histoire-géographie en rédigeant à leur place une appréciation personnalisée pour leur élève en fonction de ses performances. Votre appreciation doit être en français, bienveillante, constructive, et aider l'élève à comprendre ses points forts et les axes d'amélioration. Votre appréciation doit comporter de 1 à 40 mots. Votre appréciation ne doit jamais comporter la valeur de la note. Votre appréciation doit utiliser le style impersonnel. Attention l'élément le plus important de votre analyse doit rester la moyenne du trimestre"},
            {
                "role": "user",
                "content": user_question},
        ]
        messages = [
            {
                "role": "system",
                "content": "Vous êtes une IA assistant les enseignants d'histoire-géographie en rédigeant à leur place une appréciation personnalisée pour leur élève en fonction de ses performances. Votre appreciation doit être en français, et doit aider l'élève à comprendre ses points forts et les axes d'amélioration. Votre appréciation doit comporter de 1 à 40 mots. Votre appréciation ne doit jamais comporter la valeur de la note. Votre appréciation doit utiliser le style impersonnel.Attention l'élément le plus important de votre analyse doit rester la moyenne du trimestre"},
            {
                "role": "user",
                "content": user_question},
        ]
        inputs = tokenizer.apply_chat_template(
        messages,
        tokenize = True,
        add_generation_prompt = True, # Must add for generation
        return_tensors = "pt",).to(device)
        outputs = merged_model.generate(input_ids = inputs, 
                                        max_new_tokens = 90, 
                                        use_cache = True,
                                        temperature = 1.5,
                                        min_p = 0.1,
                                        pad_token_id=tokenizer.eos_token_id,)
        decoded_sequences = tokenizer.batch_decode(outputs[:, inputs.shape[1]:],skip_special_tokens=True)[0]
        return decoded_sequences

    # Create a Gradio interface with the infere function and specified title and descriptions
    autoeval = gr.Interface(fn=infere, inputs=[
            gr.Radio(
                ["1", "2", "3"], value="1", label="trimestre", info="Trimestre"
            ),
            gr.Slider(0, 20,label="moyenne_1", value=10, info="Moyenne trimestre 1"),
            gr.Slider(0, 20,label="moyenne_2", value=10, info="Moyenne trimestre 2"),
            gr.Slider(0, 20,label="moyenne_3", value=10, info="Moyenne trimestre 3"),
            gr.Slider(0, 10, value=5, label="comportement", info="Comportement (1 à 10)"),
            gr.Slider(0, 10, value=5, label="participation", info="Participation (1 à 10)"),
            gr.Slider(0, 10, value=5, label="travail", info="Travail (1 à 10)"),
            
        ], outputs="text", title=title, 
                    description=desc, article=long_desc)

    # Launch the Gradio interface and share it
    autoeval.launch(server_name="0.0.0.0",share=True)
else:
    print("No GPU available")
    device = torch.device('cpu')
    def infere(trimestre: str, moyenne_1: float,moyenne_2: float,moyenne_3: float, comportement: float, participation: float, travail: float) -> str:
        gr.Warning("No GPU available <br>Open a message in the <a href='https://huggingface.co/spaces/eltorio/Llama-3.2-3B-appreciation/discussions'>Community Discussion</a>")
        return "No GPU available, please contact me on the community discussion"
    
    # Create a Gradio interface with the infere function and specified title and descriptions
    autoeval = gr.Interface(fn=infere, inputs=[
            gr.Radio(
                ["1", "2", "3"], value="1", label="trimestre", info="Trimestre"
            ),
            gr.Slider(0, 20,label="moyenne_1", value=10, info="Moyenne trimestre 1"),
            gr.Slider(0, 20,label="moyenne_2", value=10, info="Moyenne trimestre 2"),
            gr.Slider(0, 20,label="moyenne_3", value=10, info="Moyenne trimestre 3"),
            gr.Slider(0, 10, value=5, label="comportement", info="Comportement (1 à 10)"),
            gr.Slider(0, 10, value=5, label="participation", info="Participation (1 à 10)"),
            gr.Slider(0, 10, value=5, label="travail", info="Travail (1 à 10)"),
            
        ], outputs="text", title=title, 
                    description=desc, article=long_desc)

    # Launch the Gradio interface and share it
    autoeval.launch(server_name="0.0.0.0",share=True)