app.py

import gradio as gr
import numpy as np
import matplotlib.pyplot as plt
from io import BytesIO
import tempfile
import os

from train_tokenizer import train_tokenizer
from tokenizers import Tokenizer
from datasets import load_dataset

def create_iterator(files=None, dataset_name=None, dataset_config=None, split="train", streaming=True):
    if dataset_name:
        try:
            # Επεξεργασία ονόματος dataset με έλεγχο εγκυρότητας
            if not re.match(r'^[\w\-\.]+(/[\w\-\.]+)*$', dataset_name):
                raise ValueError(f"Μη έγκυρο όνομα dataset: {dataset_name}")
            
            # Φόρτωση dataset με config αν υπάρχει
            dataset = load_dataset(
                dataset_name, 
                name=dataset_config if dataset_config else None,
                split=split,
                streaming=streaming
            )
            for example in dataset:
                yield example['text']
        except Exception as e:
            raise gr.Error(f"Σφάλμα φόρτωσης dataset: {str(e)}")
    elif files:
        for file in files:
            with open(file.name, 'r', encoding='utf-8') as f:
                for line in f:
                    yield line.strip()

def enhanced_validation(tokenizer, test_text):
    """
    Εκτελεί επικύρωση του tokenizer με ένα roundtrip test και παρέχει στατιστικά.
    """
    encoded = tokenizer.encode(test_text)
    decoded = tokenizer.decode(encoded.ids)
    
    # Μέτρηση των Unknown tokens
    unknown_tokens = sum(1 for t in encoded.tokens if t == "<unk>")
    unknown_percent = (unknown_tokens / len(encoded.tokens) * 100) if encoded.tokens else 0
    
    # Υπολογισμός μήκους των tokens
    token_lengths = [len(t) for t in encoded.tokens]
    avg_length = np.mean(token_lengths) if token_lengths else 0
    
    # Έλεγχος κάλυψης κώδικα: παραδείγματα συμβόλων
    code_symbols = ['{', '}', '(', ')', ';', '//', 'printf']
    code_coverage = {sym: (sym in test_text and sym in encoded.tokens) for sym in code_symbols}
    
    # Δημιουργία histogram για την κατανομή του μήκους των tokens
    fig = plt.figure()
    plt.hist(token_lengths, bins=20, color='skyblue', edgecolor='black')
    plt.xlabel('Μήκος Token')
    plt.ylabel('Συχνότητα')
    plt.title('Κατανομή Μήκους Tokens')
    img_buffer = BytesIO()
    plt.savefig(img_buffer, format='png')
    plt.close()
    img_buffer.seek(0)
    
    return {
        "roundtrip_success": test_text == decoded,
        "unknown_tokens": f"{unknown_tokens} ({unknown_percent:.2f}%)",
        "average_token_length": f"{avg_length:.2f}",
        "code_coverage": code_coverage,
        "token_length_distribution": img_buffer.getvalue()
    }

# ... (προηγούμενο imports και functions παραμένουν ίδια)

def train_and_test(files, dataset_name, split, vocab_size, min_freq, test_text):
    if not files and not dataset_name:
        raise gr.Error("Πρέπει να παρέχετε αρχεία ή όνομα dataset!")
    
    try:
        # Δημιουργία iterator με fallback
        iterator = create_iterator(files, dataset_name, split)
        
        # Προσθήκη progress bar
        with gr.Progress() as progress:
            progress(0.1, desc="Προεπεξεργασία δεδομένων...")
            tokenizer = train_tokenizer(iterator, vocab_size, min_freq)
            
        # ... (υπόλοιπη λειτουργία παραμένει ίδια)
        
    except Exception as e:
        raise gr.Error(f"Σφάλμα εκπαίδευσης: {str(e)}")
    
    # Αποθήκευση και φόρτωση του tokenizer για επικύρωση
    with tempfile.NamedTemporaryFile(delete=False, suffix=".json") as tmp:
        tokenizer.save(tmp.name)
        trained_tokenizer = Tokenizer.from_file(tmp.name)
    os.unlink(tmp.name)
    
    # Εκτενής επικύρωση με το δοκιμαστικό κείμενο
    validation = enhanced_validation(trained_tokenizer, test_text)
    
    return {
        "validation_metrics": {k: v for k, v in validation.items() if k != "token_length_distribution"},
        "histogram": validation["token_length_distribution"]
    }

# Ενημερωμένο Gradio Interface
with gr.Blocks(theme=gr.themes.Soft()) as demo:
    gr.Markdown("## Προχωρημένος BPE Tokenizer Trainer")
    
    with gr.Row():
        with gr.Column():
            with gr.Tab("Local Files"):
                file_input = gr.File(file_count="multiple", label="Ανέβασμα αρχείων")
            with gr.Tab("Hugging Face Dataset"):
                dataset_name = gr.Textbox(label="Όνομα Dataset (π.χ. 'wikitext', 'codeparrot/github-code')")
                split = gr.Textbox(value="train", label="Split")
            
            vocab_size = gr.Slider(1000, 100000, value=32000, label="Μέγεθος Λεξιλογίου")
            min_freq = gr.Slider(1, 100, value=2, label="Ελάχιστη Συχνότητα")
            test_text = gr.Textbox(
                value='function helloWorld() { console.log("Γειά σου Κόσμε!"); } // Ελληνικά + κώδικας',
                label="Test Text"
            )
            train_btn = gr.Button("Εκπαίδευση Tokenizer", variant="primary")
        
        with gr.Column():
            results_json = gr.JSON(label="Μετρικές")
            results_plot = gr.Image(label="Κατανομή Μήκους Tokens")

    train_btn.click(
        fn=train_and_test,
        inputs=[file_input, dataset_name, split, vocab_size, min_freq, test_text],
        outputs=[results_json, results_plot]
    )
if __name__ == "__main__":
    demo.launch()