Mise à jour du fichier handler.py avec le code adapté

handler.py

@@ -1,26 +1,36 @@
 import json
-import torch
-from transformers import AutoModelForCausalLM, AutoTokenizer
+from transformers import AutoTokenizer, AutoModelForCausalLM
 
-# Charger le modèle et le tokenizer
+# Nom du modèle que vous souhaitez utiliser
 model_name = "AIDC-AI/Ovis1.6-Gemma2-9B"  # Remplacez par le nom de votre modèle
-tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
-model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
 
-# Fonction d'initialisation
+# Initialisation globale des variables
+tokenizer = None
+model = None
+
+# Fonction d'initialisation qui sera appelée lors du démarrage du service
 def init():
 	global tokenizer, model
 	tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
 	model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
 	model.eval()  # Définir le modèle en mode évaluation
 
-# Fonction de prédiction
+# Fonction de prédiction qui sera appelée pour traiter les requêtes d'inférence
 def predict(data):
+	global tokenizer, model
+
+	# Extraire les données d'entrée
 	inputs = data.get("inputs")
+	
+	# Vérifier si les données d'entrée sont une chaîne de caractères
 	if isinstance(inputs, str):
 		inputs = tokenizer(inputs, return_tensors="pt")
 
+	# Générer les prédictions à partir du modèle
 	outputs = model.generate(**inputs)
+	
+	# Convertir les résultats en texte
 	result = tokenizer.decode(outputs[0], skip_special_tokens=True)
 	
+	# Retourner le résultat au format JSON
 	return json.dumps({"result": result})