Create app.py

app.py

@@ -0,0 +1,192 @@
+import os
+import shutil
+import boto3
+from fastapi import FastAPI, HTTPException
+from pydantic import BaseModel
+import requests
+from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
+import safetensors.torch
+from fastapi.responses import StreamingResponse
+import io
+from tqdm import tqdm
+import re
+import torch
+import uvicorn
+
+# Cargar las variables de entorno desde el archivo .env
+from dotenv import load_dotenv
+load_dotenv()
+
+# Cargar las credenciales de AWS desde las variables de entorno
+AWS_ACCESS_KEY_ID = os.getenv("AWS_ACCESS_KEY_ID")
+AWS_SECRET_ACCESS_KEY = os.getenv("AWS_SECRET_ACCESS_KEY")
+AWS_REGION = os.getenv("AWS_REGION")
+S3_BUCKET_NAME = os.getenv("S3_BUCKET_NAME")  # Nombre del bucket de S3
+HUGGINGFACE_TOKEN = os.getenv("HUGGINGFACE_TOKEN")  # Token de Hugging Face
+
+# Cliente S3 de Amazon
+s3_client = boto3.client(
+    's3',
+    aws_access_key_id=AWS_ACCESS_KEY_ID,
+    aws_secret_access_key=AWS_SECRET_ACCESS_KEY,
+    region_name=AWS_REGION
+)
+
+app = FastAPI()
+
+# Pydantic Model para el cuerpo de la solicitud del endpoint /predict/
+class DownloadModelRequest(BaseModel):
+    model_name: str
+    pipeline_task: str
+    input_text: str
+
+class S3DirectStream:
+    def __init__(self, bucket_name):
+        self.s3_client = boto3.client(
+            's3',
+            aws_access_key_id=AWS_ACCESS_KEY_ID,
+            aws_secret_access_key=AWS_SECRET_ACCESS_KEY,
+            region_name=AWS_REGION
+        )
+        self.bucket_name = bucket_name
+
+    def stream_from_s3(self, key):
+        try:
+            print(f"[INFO] Descargando archivo {key} desde S3...")
+            response = self.s3_client.get_object(Bucket=self.bucket_name, Key=key)
+            return response['Body']  # Devolver el cuerpo directamente para el StreamingResponse
+        except self.s3_client.exceptions.NoSuchKey:
+            raise HTTPException(status_code=404, detail=f"El archivo {key} no existe en el bucket S3.")
+        except Exception as e:
+            print(f"[ERROR] Error al descargar {key}: {str(e)}")
+            raise HTTPException(status_code=500, detail=f"Error al descargar archivo {key} desde S3.")
+
+    def file_exists_in_s3(self, key):
+        try:
+            self.s3_client.head_object(Bucket=self.bucket_name, Key=key)
+            return True
+        except self.s3_client.exceptions.ClientError:
+            return False
+
+    def load_model_from_stream(self, model_prefix):
+        try:
+            print(f"[INFO] Cargando el modelo {model_prefix} desde S3...")
+            model_files = self.get_model_file_parts(model_prefix)
+            if not model_files:
+                model_files = [f"{model_prefix}/model"]  # Uso de modelo base
+
+            # Leer y cargar todos los archivos del modelo
+            model_streams = []
+            for model_file in tqdm(model_files, desc="Cargando archivos del modelo", unit="archivo"):
+                model_streams.append(self.stream_from_s3(model_file))
+
+            # Verificar si el archivo es un safetensor o un archivo binario
+            config_stream = self.stream_from_s3(f"{model_prefix}/config.json")
+            config_data = config_stream.read().decode("utf-8")
+            
+            # Cargar el modelo dependiendo de si es safetensor o binario
+            if model_files[0].endswith("model.safetensors"):
+                print("[INFO] Cargando el modelo como safetensor...")
+                model = AutoModelForCausalLM.from_config(config_data)
+                model.load_state_dict(safetensors.torch.load_stream(model_streams[0]))  # Cargar el modelo utilizando safetensors
+            else:
+                print("[INFO] Cargando el modelo como archivo binario de PyTorch...")
+                model = AutoModelForCausalLM.from_config(config_data)
+                model.load_state_dict(torch.load(model_streams[0], map_location="cpu"))  # Cargar el modelo utilizando pytorch
+
+            print("[INFO] Modelo cargado con éxito.")
+            return model
+
+        except Exception as e:
+            print(f"[ERROR] Error al cargar el modelo desde S3: {e}")
+            raise HTTPException(status_code=500, detail="Error al cargar el modelo desde S3.")
+
+    def load_tokenizer_from_stream(self, model_prefix):
+        try:
+            print(f"[INFO] Cargando el tokenizer {model_prefix} desde S3...")
+            tokenizer_stream = self.stream_from_s3(f"{model_prefix}/tokenizer.json")
+            tokenizer = AutoTokenizer.from_pretrained(tokenizer_stream)
+            return tokenizer
+        except Exception as e:
+            print(f"[ERROR] Error al cargar el tokenizer desde S3: {e}")
+            raise HTTPException(status_code=500, detail="Error al cargar el tokenizer desde S3.")
+
+    def get_model_file_parts(self, model_prefix):
+        print(f"[INFO] Listando archivos del modelo en S3 con prefijo {model_prefix}...")
+        files = self.s3_client.list_objects_v2(Bucket=self.bucket_name, Prefix=model_prefix)
+        model_files = []
+        for obj in tqdm(files.get('Contents', []), desc="Verificando archivos", unit="archivo"):
+            key = obj['Key']
+            if re.match(rf"{model_prefix}/model(-\d+-of-\d+)?", key) or key.endswith("model.safetensors"):
+                model_files.append(key)
+        if not model_files:
+            print(f"[WARNING] No se encontraron archivos coincidentes con el patrón para el modelo {model_prefix}.")
+        return model_files
+
+    def download_and_upload_to_s3_url(self, url: str, s3_key: str):
+        try:
+            print(f"[INFO] Descargando archivo desde {url}...")
+            response = requests.get(url)
+            if response.status_code == 200:
+                print(f"[INFO] Subiendo archivo a S3 con key {s3_key}...")
+                self.s3_client.put_object(Bucket=self.bucket_name, Key=s3_key, Body=response.content)
+                # Eliminar el archivo local después de la carga exitosa
+                self.delete_local_file(s3_key)
+            else:
+                print(f"[ERROR] Error al descargar el archivo desde {url}, código de estado {response.status_code}.")
+                raise HTTPException(status_code=500, detail=f"Error al descargar el archivo desde {url}")
+        except Exception as e:
+            print(f"[ERROR] Error al procesar la URL {url}: {str(e)}")
+            raise HTTPException(status_code=500, detail=f"Error al procesar la URL {url}")
+
+    def delete_local_file(self, file_path: str):
+        try:
+            print(f"[INFO] Eliminando archivo local {file_path}...")
+            if os.path.exists(file_path):
+                os.remove(file_path)
+                print(f"[INFO] Archivo local {file_path} eliminado correctamente.")
+            else:
+                print(f"[WARNING] El archivo local {file_path} no existe.")
+        except Exception as e:
+            print(f"[ERROR] Error al eliminar el archivo local {file_path}: {str(e)}")
+
+
+@app.post("/predict/")
+async def predict(model_request: DownloadModelRequest):
+    try:
+        print(f"[INFO] Recibiendo solicitud para predecir con el modelo {model_request.model_name}...")
+        streamer = S3DirectStream(S3_BUCKET_NAME)
+        model = streamer.load_model_from_stream(model_request.model_name)
+        tokenizer = streamer.load_tokenizer_from_stream(model_request.model_name)
+
+        task = model_request.pipeline_task
+        if task not in ["text-generation", "sentiment-analysis", "translation", "fill-mask", "question-answering", "text-to-speech", "text-to-image", "text-to-audio", "text-to-video"]:
+            raise HTTPException(status_code=400, detail="Pipeline task no soportado")
+
+        nlp_pipeline = pipeline(task, model=model, tokenizer=tokenizer, max_length=2046)
+
+        input_text = model_request.input_text
+        print(f"[INFO] Ejecutando tarea {task} con el texto de entrada...")
+        outputs = nlp_pipeline(input_text)
+
+        # Eliminación de archivo local después de subir a S3
+        if task == "text-to-speech":
+            s3_key = f"{model_request.model_name}/generated_audio.wav"
+            return StreamingResponse(streamer.stream_from_s3(s3_key), media_type="audio/wav")
+        elif task == "text-to-image":
+            s3_key = f"{model_request.model_name}/generated_image.png"
+            return StreamingResponse(streamer.stream_from_s3(s3_key), media_type="image/png")
+        elif task == "text-to-video":
+            s3_key = f"{model_request.model_name}/generated_video.mp4"
+            return StreamingResponse(streamer.stream_from_s3(s3_key), media_type="video/mp4")
+
+        return {"input_text": input_text, "output": outputs}
+
+    except Exception as e:
+        print(f"[ERROR] Error al procesar la solicitud de predicción: {str(e)}")
+        raise HTTPException(status_code=500, detail=f"Error interno: {str(e)}")
+
+
+if __name__ == "__main__":
+    print("Iniciando el servidor FastAPI...")
+    uvicorn.run(app, host="0.0.0.0", port=9000)