수테크📱⌚️👀

(화요일)

- github 이슈 생성해서 jira랑 연동 실습하기(?)

- README.md 파일에서 md란...? markdown 파일이라는 뜻 (웹 페이지 글올릴 때 쓰임) 

Todo : 이슈 진행 전 상태

In Progress : 담당자가 이슈를 확인하고 진행중인 상태

In Review : 검토를 요청/진행 중인 상태(중간에 검토 단계를 넣는게 요즘 근황)  

Done : 완료 및 종료된 상태

프로젝트 목표 : 정해진 비용과 기간내에서 어떻게 하면 품질을 높이면서 마무리할 수 있을건지...

- R&R : Role & Responsibility (pm이라면 프로젝트 관리를 위한 책임)

- wbs 실습은 내일!!

- 위험과 이슈의 차이 : 위험(potential problem)은 아직 잠재적 문제로 아직 일어나지 않은 것이고 이슈는 일어난 문제로 실제로 일어날 이슈를 방지하기 위해 위험을 방지해야한다!

- 위험과 관련된용어 : 발생 가능성과 발생했을때의 심각도(위험도)를 곱한것이 위험도.. 높은것이 우선순위로 정해지고 이를 대비하기 위해 철저하게 계획을 세워야한다

(수요일)

- wbs 만들기 

베이스 라인 : 특정 시점에서 필요한 파일들을정확히 사용할 수 있게 해주는 작업..

 - 어떤 요구사항 명세서를 반영하는 소스코드인건지를 알기 애매하므로 어떤 산출물을 기준으로 개발한건지를 알기 위해 적어 놓은것이 baseline..

- 어떤 요구사항 명세서와 설계서를 기준으로 개발할건지를 확인하고 개발해야한다!

- 소프트웨어 형상 통제 : 형상통제위원회에서 변경 요청을 수용할 것인지 평가하고 협의하는 과정(CCB한테 통과 받아야 업데이트 가능)

요구사항 명세서(SW Requirement Specification) : 무엇을 개발할건지에 초점을 맞춘다! (어떤 기능을 제공할것인지, 어떤 품질로 / 어떻게는 설계서에 들어갑니다..)

- 시스템(SYSRS)

- 소프트웨어(SWRS)

- 하드웨어(HWRS)

기능 vs 비기능 

- 기능 :  찐 기능

- 비기능 : 품질, 성능, 제약사항

비기능 요구사항 예시

기능 요구사항 어떻게 분석하고 작성하는지... (도출, 분석, 명세, 확인...)

- 좋은 요구사항 명세서라면 요구사항 명세서를 가지고 테스트를 만들어서 다 잘 돌아가는지...(테스트가 가능하다면 요구사항이 굉장히 디테일 하다는것!! / 아니라면 요구사항 명세서 더 자세하게 해달라고 부탁하기!!)

- 추적성 : 우리의 소스코드가 어떤 설계서, 아키텍처 설계서, 요구사항 명세서를 만족시키기 위해 나왔는지 추적이 가능한지... / 우리의 요구사항은 언제든지 변경될 수 있기 때문에 어떤걸 수정해야할지 찾는데 시간이 오래걸림, 누락 가능하다

- 변경 용이성 : 다른것과 최대한 독립성을 띄우는것이 좋다(의존적이면 변경하기 힘듦) 

-  uml 그리기 실습은 내일..

<목요일)

- UML : 시스템 설계를 표현하는데 사용하는 통합된 모델링언어

MBD : MODEL BASED DEVELOPMENT / 모델링만 하면 자동으로 개발해줌... / 개발자는 없어져도... 설계자는 안 없어진다

USECASE DIAGRAM 구성요소

- user actor :  시스템의 외부에 있으면서 시스템과 상호작용하는 것들... 일반적으로 사용자 혹은 외부 시스템

- system actor : 해당 프로젝트의 개발 범위에는 속하지 않지만 데이터를주고받는 등 서로 연동되는 다른 시스템 
                          ex) 우리 시스템에 데이터를 주는 기상청 시스템   

- usecase : 시스템이 액터에게 제공해야 하는 기능의 집합 / 동사+명사 형식으로 작성(성적등록, 성적조회)

- relationship : 액터와 유스케이스 / 유스케이스와 유스케이스 사이의 연관 관계!!! (관계 종류.....)

# USECASE DIAGRAM 그리기

https://app.diagrams.net/

# 설계

- 관점 : HOW(어떻게)

- 특징 : 사용 환경을 반영해 구체적

- 상위 설계서, 상세 설계서 두가지로 나뉨

(금요일)

https://velog.io/@hongjunland/Clean-Architecture

클린 아키텍처 필독서...

# 설계!!!

## 추상화 : 상위 레벨에서 제품의 구현을 생각해봄!!

https://wealthymindset.tistory.com/entry/%EC%82%AC%EC%97%85%EC%B6%94%EC%A7%84-%ED%98%95%ED%83%9C%EC%9D%98-%EB%91%90%EA%B0%80%EC%A7%80-%EB%B0%A9%EB%B2%95-%ED%83%91%EB%8B%A4%EC%9A%B4Top-down%ED%95%98%ED%96%A5%EC%8B%9D-%EB%B0%94%ED%85%80%EC%97%85Bottom-up%EC%83%81%ED%96%A5%EC%8B%9D-%EB%B0%A9%EC%8B%9D

Top-down(하향식)과 Bottom-up(상향식)의 차이..

comfile 과정 : .java 파일을 컴퓨터가 해석할 수 있도록 컴파일러를 거쳐서 .class 파일로 바꿔주는 과정

## 분할과 정복(Divide Conquer)

- Component : 소프트웨어를 구성하는 요소들의 집합 / 클 수도 작을 수도 어떻게 쪼개지는지는 때마다 다르다  

- Unit : 더이상 나눌 수 없는 atomic한 요소

분할과 정복의 의미...

- 하나로 하지 말고 여러 개로 쪼개고 하나하나 작은 단위부터 개발하고 합쳐서 상향식으로 개발해 나가라는 의미

- 모듈화랑 같은 의미(= unit과도 같음)

- 한 화면에 보기 좋은 50-80줄 사이로 함수를 작성하는 것이 좋음

## 모듈화(Modularity)

- 의미 : 소프트웨어 구조를 이루는 기본 단위

- 특징

• 독립적인 기능을 수행하는 단위
• 유일한 이름을 가짐
• 모듈에서 또 다른 모듈을 호출(call)할 수 있음 -> interaction의 한 종류 / interface : interaction을 하는데 손쉽게 하는 수단(화면) / 호출을 하는경우... 데이터를 요청하고 응답 받을  
• 다른 프로그램에서도 모듈을 호출할 수 있음

- 모듈의 크기 : 시스템의 규모, 유형, 특성에 따라 작음 / 작은 시스템이라면 모듈의 크기는 함수 / 큰 시스템이라면...

- 응집도는 강하게(모듈 구성 요소간에는 강하게) / 결합도는 약하게(의존성이 약해야한다)

- 결합도를 느슨하게 하라는 말이... 모든 관계가 안좋다는 말이 아니라 A,B가 서로 호출하여 에러의 무한루프를 돌지 말라는 소리  

- 결합도가 높을수록 복잡해짐 / 낮을수록 단순해지도 유지보수, 재사용성이 좋다

C언어 절차지향형 언어...

- 다른 언어들도 다 순서대로 코드가 실행되는데 왜 절차지향이라고 하는지 ???? 특히나 순서에 집중해서?? 함수를 어디서나 쓰려고 하면 전역변수로 선언해야 한다 / 유지보수 어려움

JAVA 객체지향 언어...

- 사람이 이해한것처럼 코드를 짜보자 해서 나온 언어

- interaction이 이루어지기 때문에 loose coupling, strong cohension을 꼭 하자

# 객체지향방법론의 특징

- 캡슐화 : 정보은닉의 개념이 포함된 개념 / 나의 정보를 감싸서 다른 사람들에게 정보를 숨기는 효과 

- 상속 : 다른클래스의 속성을 물러받아 내 것처럼 쓰는 것 

- 다형성 : 하나 이상의 형태를 갖는 것

• 오버로딩 : 같은 함수 이름이어도 매개변수의 개수나 타입이 다르면 중복 정의하여 사용 가능
• 오버라이딩 : 상속 관계에서 부모의 가져온 메소드를 자식 클래스가 재정의 하여 사용 가능
  • 오버라이딩은 부모 클래스의 메소드를 자식 클래스에서 동일한 이름과 매개변수로 재정의하여, 자식 클래스에서 메소드를 호출할 때 부모 클래스의 메소드가 아닌 자식 클래스의 메소드가 실행되도록 하는 것입니다. 오버라이딩은 메소드에서만 이루어집니다.
  • 쉐도잉은 자식 클래스에서 부모 클래스와 동일한 이름의 변수를 선언하여 부모 클래스의 변수를 덮어쓰는 것입니다. 이 경우 자식 클래스의 인스턴스는 부모 클래스의 변수 대신 자식 클래스의 변수를 참조하게 됩니다. 하지만 부모 클래스의 변수 자체가 변경되는 것은 아닙니다

문제 😵‍💫

https://school.programmers.co.kr/learn/courses/30/lessons/43165

내 풀🦷

class Solution {
    public int solution(int[] numbers, int target) {
        return dfs(numbers, target, 0, 0);
    }
    
    private int dfs(int[] numbers, int target, int index, int sum) {
        // 모든 숫자를 다 사용했을 떄
        if(index == numbers.length) {
            // 목표 숫자와 합이 같으면 경우의 수 1 증가
            return sum == target ? 1 : 0;
        }
        // 현재 숫자를 더하는 경우와 빼는 경우로 재귀 호충..
        return dfs(numbers, target, index + 1, sum + numbers[index]) + dfs(numbers, target, index + 1, sum - numbers[index]);
    }
}

이미 한번 풀었던 dfs 문제!!

모든 가능한 경로를 다 탐색하여 특정 조건을 찾아야하는 문제이므로 dfs를 사용하였다

if문을 쓰는것까지는 쉬운데 마지막에 재귀를 어떻게 시켜야하는지는 항상 고민되는 부분인거 같다..

하지만 이번문제는 수월하게 통과~~

참고하면 좋을 개념들 ✍️

 DFS를 사용했을 때 효과적인 문제 유형

1. 모든 경로를 탐색하여 특정 조건을 찾는 경우 : 주어진 숫자 배열을 더하고 빼서 특정 값을 만드는 문제
2. 해다 존재하는지 확인하는 경우 : 미로에서 출구까지 가는 경로가 있는지 확인할 때
3. 조합과 순열을 생성하는 문제 : 특정 길이의 조합을 생성하거나, 순열을 만드는 문제
4. 백트래킹과 함께 사용할 때 : N-Queens 문제처럼 제한 조건을 만족하는 경우의 수를 찾을 때

DFS 사용 시 주의사항

- 무한 루프 주의 : 재귀 호출에서 종료 조건을 명확히 설정해야 합니다

- 메모리 사용량 : 깊이가 깊어질 경우 메모리 사용량이 커질 수 있으므로, 너무 깊은 재귀 호출이 필요한 문제에서는 스택 오버플로우에 주의해야 합니다

- 탐색 최적화 : 백트래킹을 사용하여 불필요한 경로는 조기에 중단하여 효율성을 높일 수 있습니다

문제 😵‍💫

https://school.programmers.co.kr/learn/courses/30/lessons/42748

내 풀🦷

import java.util.*;

class Solution {
    public int[] solution(int[] array, int[][] commands) {
        int[] answer = new int[commands.length];
        
        for(int i = 0; i < commands.length; i++) { 
            int start = commands[i][0] -1;
            int end = commands[i][1];
            int k = commands[i][2] - 1;
            
            // 배열의 특정 구간을 복사하고 정렬
            int[] arr = Arrays.copyOfRange(array, start, end);
            Arrays.sort(arr);
            
            // k번째 숫자를 결과 배열에 추가
            answer[i] = arr[k];
            
            }
        return answer;
    }
}

오랜만에 풀어보는 정렬문제라 간단한 문제지만 당황했다 ㅎㅎ

어떻게 배열을 가져오는것이 좋을지 for문 돌면서 새로운 배열을 만들어서 넣어줄까했는데 찾아보니 copyOfRange라는 배열 복사 메서드가 존재하여 사용해서 쓰니까 금방 해결 !!!

copyOfRange 꼭 기억해 두겠음~

참고하면 좋을 개념들 ✍️

Arrays.copyOfRange(원본배열, 시작인덱스, 끝인덱스);

원본배열 : 복사하려는 배열
시작 인덱스 : 복사를 시작할 인덱스(포함)
끝인덱스 : 복사를 종료할 인덱스(미포함)

int[] array = {1, 5, 2, 6, 3, 7, 4};
int[] slicedArray = Arrays.copyOfRange(array, 1, 5); // {5, 2, 6, 3}

# 1. 음성 파일 변환에 필요한 ffmpeg 다운 받기!

https://yeko90.tistory.com/entry/FFmpeg-%EB%8B%A4%EC%9A%B4%EB%A1%9C%EB%93%9C-%EC%84%A4%EC%B9%98-%EC%84%B8%ED%8C%85

다운로드 하고 너무 억까 당했지만.. 컴퓨터 리부팅 해주니까 해결 ^^;;;; 완전 러키비키다

# 2. 처음 보는 에러 정리

libiomp5md.dll 파일이 여러 번 초기화되어 발생하는 오류는 OpenMP라는 병렬 컴퓨팅 라이브러리가 여러 번 로드되면서 생기는 충돌 문제입니다. 이 문제는 주로 PyTorch나 NumPy 같은 라이브러리를 사용할 때 발생할 수 있습니다. 간단히 말해서, 프로그램에서 OpenMP를 두 번 이상 불러오게 되어 충돌이 생긴 겁니다.

이 오류를 해결하려면 환경 변수를 설정하여 OpenMP가 여러 번 로드되더라도 오류가 발생하지 않도록 해야 합니다. 이를 위해 KMP_DUPLICATE_LIB_OK라는 환경 변수를 TRUE로 설정하면 됩니다.

환경 변수를 설정하는 방법 (Windows)

1. 명령 프롬프트에서 일시적으로 설정하기

이 방법은 현재 명령 프롬프트 세션에서만 환경 변수가 설정되며, 컴퓨터를 재부팅하거나 새로 명령 프롬프트를 열면 이 설정은 사라집니다.

1. 명령 프롬프트를 열고, 다음 명령어를 입력합니다:
2. bash
3. 이 상태에서 파이썬 스크립트를 실행해 오류가 해결되었는지 확인해 보세요.

set KMP_DUPLICATE_LIB_OK=TRUE

2. Python 코드 내에서 환경 변수 설정하기

Python 코드 안에서 직접 환경 변수를 설정하면, 해당 코드가 실행되는 동안만 환경 변수가 적용됩니다.

1. import 문 아래에 다음 코드를 추가합니다:
2. python
    
3. 이 코드를 추가한 후에 다시 실행해 보세요. Python이 실행되는 동안 이 환경 변수가 적용됩니다.

import os os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"

3. 시스템 환경 변수로 영구 설정하기 (Windows)

이 방법은 컴퓨터의 환경 변수에 KMP_DUPLICATE_LIB_OK를 추가하여, 모든 명령 프롬프트와 프로그램에서 이 설정이 유지되도록 합니다.

1. Windows 검색창에 "환경 변수 편집"이라고 입력하고 시스템 환경 변수 편집을 선택합니다.
2. 환경 변수 창에서 아래 단계를 따릅니다:
   • 시스템 변수 부분에서 "새로 만들기" 버튼을 클릭합니다.
   • 변수 이름에 KMP_DUPLICATE_LIB_OK을 입력합니다.
   • 변수 값에 TRUE를 입력합니다.
3. 확인을 눌러 모든 창을 닫고 컴퓨터를 재부팅하면, 이 설정이 모든 명령 프롬프트와 프로그램에 적용됩니다.

# 3. MongoDB Atlas Cloud Database 설치후에 fastapi와 연결하는 코드

from pymongo.mongo_client import MongoClient
from pymongo.server_api import ServerApi
import os
from dotenv import load_dotenv
from datetime import datetime


# .env 파일 로드
load_dotenv()

uri = os.getenv("MONGO_URI")

# Create a new client and connect to the server
client = MongoClient(uri, server_api=ServerApi('1'))

# 데이터베이스 및 컬렉션 선택
db = client["maeubom"]
collection = db["maeubom"]

# 삽입할 데이터의 속성 정의
# 각 컬렉션 정의
emotion_analysis_col = db["EmotionAnalysis"]
summary_col = db["Summary"]
generated_image_col = db["GeneratedImage"]
generated_music_col = db["GeneratedMusic"]
quote_col = db["Quote"]
analysis_session_col = db["AnalysisSession"]

def get_database():
    return db

'''
# 다른 파일에서 database.py의 db 연결 가져오기
from database import get_database

db = get_database()  # 데이터베이스 객체 가져오기
collection = db["maeumbom"]  # 컬렉션 선택
'''

# 텍스트 요약 모델 사용하기 

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
import nltk
from fastapi import FastAPI, Form
import torch

# NLTK 데이터 다운로드
nltk.download('punkt')

# 모델과 토크나이저 설정
model_dir = "lcw99/t5-base-korean-text-summary"
tokenizer = AutoTokenizer.from_pretrained(model_dir)
model = AutoModelForSeq2SeqLM.from_pretrained(model_dir)

# CUDA 장치 설정
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)  # 모델을 CUDA로 이동

app = FastAPI()

@app.post("/text_sum/")
async def text_sum(input_text: str = Form(...)):
    max_input_length = 512

    # 입력 텍스트 설정 및 전처리
    text = input_text
    inputs = ["summarize: " + text]
    inputs = tokenizer(inputs, max_length=max_input_length, truncation=True, return_tensors="pt").to(device)  # 입력을 CUDA로 이동

    # 요약 생성
    with torch.no_grad():
        output = model.generate(**inputs, num_beams=8, do_sample=True, min_length=10, max_length=100)

    # 요약된 텍스트 디코딩 및 문장화
    decoded_output = tokenizer.batch_decode(output, skip_special_tokens=True)[0]
    predicted_summary = nltk.sent_tokenize(decoded_output.strip())[0]

    return {"result": predicted_summary}

# 명언 추천 모델 사용 못하고 랜덤 돌리기;;;

from transformers import OPTForCausalLM, GPT2Tokenizer
from fastapi import FastAPI, Form
import torch
import random

# 모델과 토크나이저 설정
model = OPTForCausalLM.from_pretrained("facebook/opt-350m", torch_dtype=torch.float16)
tokenizer = GPT2Tokenizer.from_pretrained("facebook/opt-350m")

# 모델이 사용할 장치 설정
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

# FastAPI 앱 초기화
app = FastAPI()

# 명언 파일에서 명언을 읽어 리스트에 저장
def load_quotes(file_path="wise_saying.txt"):
    with open(file_path, "r", encoding="utf-8") as file:
        return [line.strip() for line in file.readlines() if line.strip()]

quotes = load_quotes()  # wise_saying.txt에서 명언 불러오기

# FastAPI 엔드포인트: 입력한 텍스트를 기반으로 명언 생성
@app.post("/create_text/")
async def create_text(input_text: str = Form(...)):
    # 명언 리스트에서 무작위로 하나 선택
    selected_quote = random.choice(quotes)
    selected_quote = selected_quote.split('.', 1)[-1].strip()
    return {"result": selected_quote}


# # 입력 텍스트와 가장 관련 있는 명언을 찾는 함수
# def get_best_quote(input_text, quotes):
#     best_quote = ""
#     highest_score = -float("inf")  # 초기 최고 점수를 음의 무한대로 설정

#     for quote in quotes:
#         prompt = f"다음 입력 문구와 가장 잘 맞는 명언을 고르시오: '{input_text}'\n명언: '{quote}'"
        
#         # 입력 텍스트와 명언을 함께 토큰화하여 모델 입력으로 사용
#         inputs = tokenizer(prompt, return_tensors="pt").to(device)
#         with torch.no_grad():
#             # 텍스트와 명언의 관련성을 평가하도록 모델 사용
#             output = model(**inputs).logits.mean().item()
        
#         # 모델 출력이 높을수록 높은 연관성으로 간주
#         if output > highest_score:
#             highest_score = output
#             best_quote = quote

#     return best_quote

# # FastAPI 엔드포인트: 입력한 텍스트를 기반으로 가장 적합한 명언 선택
# @app.post("/create_text/")
# async def create_text(input_text: str = Form(...)):
#     # 입력 텍스트와 가장 관련 있는 명언을 찾음
#     selected_quote = get_best_quote(input_text, quotes)
#     selected_quote = selected_quote.split('.', 1)[-1].strip()
#     return {"result": selected_quote}

# 텍스트 이미지 생성 다시 해보기..

from diffusers import StableDiffusionPipeline
from fastapi import FastAPI, Form
from fastapi.responses import FileResponse
from PIL import Image
import requests
import json
import torch

model_id = "CompVis/stable-diffusion-v1-4"
device = "cuda"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)


# FastAPI 인스턴스 생성
app = FastAPI()

# 이미지 생성 엔드포인트
@app.post("/createimage/")
async def create_image(input_text: str = Form(...)):       

    # 텍스트 기반으로 이미지 생성
    image = pipe(
        prompt=input_text,
        num_inference_steps=28,
        guidance_scale=3.5
    ).images[0]

    # 이미지 저장
    image_path = "generated_image.png"
    image.save(image_path)

    # return {"image_path": image_path}
    return FileResponse(image_path, media_type="image/png")




# 시간 너무 오래 걸려서 줄이는 중...

from diffusers import StableDiffusionPipeline
from fastapi import FastAPI, Form
from fastapi.responses import FileResponse
import torch

model_id = "runwayml/stable-diffusion-v1-5"
device = "cuda"

# Stable Diffusion Pipeline 설정 (FP16 사용)
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16).to(device)

app = FastAPI()

@app.post("/createimage/")
async def create_image(input_text: str = Form(...)):       
    # 텍스트 기반으로 이미지 생성 (속도 최적화를 위한 파라미터 조정)
    image = pipe(
        prompt=input_text,
        num_inference_steps=20,  # 생성 속도 개선을 위해 20단계로 설정
        guidance_scale=3.0       # 프롬프트 따르는 강도 조정
    ).images[0]

    # 이미지 저장 및 반환
    image_path = "generated_image.png"
    image.save(image_path)
    return FileResponse(image_path, media_type="image/png")

어제 쓴 StableDiffusion 로그인 하는 법 성범님이 알려주심...

1. token 새로 생성하고

2. 터미널에 huggingface-cli login 입력하면

3. 토큰 넣어라고 하는데... 안 보이니까 한번만 붙여넣기 하삼..

# '''
# 5. 음악, 명언, 그림 추천/생성: (모델 미정) :
#      (후보 1) facebook/musicgen-small 
#      프롬프터를 작성해주면 음악을 만들어주는 모델입니다. 
#      대신 이건 저희가 백엔드 쪽에서 프롬프터를 몇가지 만들어서 넣어줘야 할 것 같아요.
# '''


from diffusers import StableDiffusionPipeline
from fastapi import FastAPI, Form
from PIL import Image
import torch
import json
import requests

# # Hugging Face API 토큰 설정
# API_TOKEN = "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"
# headers = {"Authorization": f"Bearer {API_TOKEN}"}

# Stable Diffusion 모델 로드
pipe = StableDiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-large",
    torch_dtype=torch.float16,
    use_auth_token=API_TOKEN  # API 토큰을 사용해 인증
)
pipe = pipe.to("cuda")

# FastAPI 인스턴스 생성
app = FastAPI()

# 이미지 생성 엔드포인트
@app.post("/createimage/")
async def create_image(text: str = Form(...)):
    """
    주어진 텍스트 프롬프트를 기반으로 이미지를 생성하여 저장합니다.
    """
    # 텍스트 기반으로 이미지 생성
    image = pipe(
        prompt=text,
        num_inference_steps=28,
        guidance_scale=3.5
    ).images[0]

    # 이미지 저장
    image_path = "generated_image.png"
    image.save(image_path)

    return {"image_path": image_path}
    
 
 
 # 일단 수정 한번 한 이미지 생성 
 from diffusers import StableDiffusionPipeline
from fastapi import FastAPI, Form
from fastapi.responses import FileResponse
import torch

# 호환 가능한 모델 ID를 사용하여 모델 로드
model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    safety_checker=None  # 안전 검사기를 비활성화하여 일부 오류 방지
).to("cuda")
pipe.enable_attention_slicing()

# FastAPI 인스턴스 생성
app = FastAPI()

# 이미지 생성 엔드포인트
@app.post("/createimage/")
async def create_image(text: str = Form(...)):
    """
    주어진 텍스트 프롬프트를 기반으로 이미지를 생성하여 저장합니다.
    """
    # 텍스트 기반으로 이미지 생성
    image = pipe(
        prompt=text,
        num_inference_steps=28,
        guidance_scale=3.5
    ).images[0]

    # 이미지 저장
    image_path = "generated_image.png"
    image.save(image_path)

    return FileResponse(image_path, media_type="image/png")

# 딥러닝 환경 구축 : CUDA, CuDNN

https://developer.nvidia.com/cuda-11.3.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exe_local

https://developer.nvidia.com/cudnn-downloads?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exe_local

https://velog.io/@euisuk-chung/%ED%99%98%EA%B2%BD%EA%B5%AC%EC%B6%95-CUDA-CuDNN%EC%95%84-%EB%82%98-%EC%A2%80-%EA%B7%B8%EB%A7%8C-%EA%B4%B4%EB%A1%AD%ED%98%80%EB%9D%BC-%E3%85%A0

# 텍스트 -> 사진 (stabilityai/stable-diffusion-3.5-large)

가이드..

https://stabilityai.notion.site/Stable-Diffusion-3-5-Large-Fine-tuning-Tutorial-11a61cdcd1968027a15bdbd7c40be8c6

실패 코드...

# '''
# 5. 음악, 명언, 그림 추천/생성: (모델 미정) :
#      (후보 1) facebook/musicgen-small 
#      프롬프터를 작성해주면 음악을 만들어주는 모델입니다. 
#      대신 이건 저희가 백엔드 쪽에서 프롬프터를 몇가지 만들어서 넣어줘야 할 것 같아요.
# '''


from diffusers import StableDiffusionPipeline
from fastapi import FastAPI, Form
from PIL import Image
import torch
import json
import requests

# Hugging Face API 토큰 설정
API_TOKEN = "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"
headers = {"Authorization": f"Bearer {API_TOKEN}"}

# Stable Diffusion 모델 로드
pipe = StableDiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-large",
    torch_dtype=torch.float16,
    use_auth_token=API_TOKEN  # API 토큰을 사용해 인증
)
pipe = pipe.to("cuda")

# FastAPI 인스턴스 생성
app = FastAPI()

# 이미지 생성 엔드포인트
@app.post("/createimage/")
async def create_image(text: str = Form(...)):
    """
    주어진 텍스트 프롬프트를 기반으로 이미지를 생성하여 저장합니다.
    """
    # 텍스트 기반으로 이미지 생성
    image = pipe(
        prompt=text,
        num_inference_steps=28,
        guidance_scale=3.5
    ).images[0]

    # 이미지 저장
    image_path = "generated_image.png"
    image.save(image_path)

    return {"image_path": image_path}



# from diffusers import BitsAndBytesConfig, StableDiffusionPipeline
# from fastapi import FastAPI, Form
# from PIL import Image
# import torch
# # from huggingface_hub import login

# # 엑세스 토큰
# # Hugging Face 로그인 (토큰 필요)
# # login("your_hugging_face_access_token")

# # 모델 설정
# model_id = "stabilityai/stable-diffusion-3.5-large, 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=access_token"
# nf4_config = BitsAndBytesConfig(
#     load_in_4bit=True,
#     bnb_4bit_quant_type="nf4",
#     bnb_4bit_compute_dtype=torch.bfloat16
# )

# # 모델 로드
# pipe = StableDiffusionPipeline.from_pretrained(
#     model_id,
#     torch_dtype=torch.bfloat16,
#     quantization_config=nf4_config
# )
# pipe = pipe.to("cuda")
# pipe.enable_model_cpu_offload()

# # FastAPI 인스턴스 생성
# app = FastAPI()


# # 이미지 생성 엔드포인트
# @app.post("/createimage/")
# async def create_image(text: str = Form(...)):
#     """
#     주어진 텍스트 프롬프트를 기반으로 이미지를 생성하여 저장합니다.
#     """
#     # 텍스트 기반으로 이미지 생성
#     image = pipe(
#         prompt=text,
#         num_inference_steps=28,
#         guidance_scale=3.5
#     ).images[0]

#     # 이미지 저장 경로
#     image_path = "generated_image.png"
#     image.save(image_path)

#     return {"image_path": image_path}

# 텍스트 -> 오디오 (facebook/musicgen-small)

from fastapi import FastAPI, Form
from transformers import pipeline, AutoProcessor, MusicgenForConditionalGeneration
import scipy.io.wavfile
import torch
import tempfile
import os
import torch
# print(torch.cuda.is_available())  # True가 출력되면 GPU를 사용할 수 있는 상태입니다.
# 모델이 GPU로 이동되었는지 확인

app = FastAPI()

# # MusicGen 모델 설정
processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small", torch_dtype=torch.float32).to("cuda")
print(next(model.parameters()).device)  # "cuda:0"이 출력되면 GPU에 로드된 것

# 음악 생성 파이프라인 함수
def generate_music(text: str, length: int = 512):
    # 텍스트를 모델에 입력할 수 있는 형태로 변환
    inputs = processor(text=[text], padding=True, return_tensors="pt").to("cuda")
    
    # 모델을 통해 오디오 값 생성
    audio_values = model.generate(**inputs, max_new_tokens=length)
    
    # 생성된 오디오를 WAV 파일로 임시 저장
    sampling_rate = model.config.audio_encoder.sampling_rate
    with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as tmp_file:
        scipy.io.wavfile.write(tmp_file.name, rate=sampling_rate, data=audio_values[0, 0].cpu().numpy())
        temp_path = tmp_file.name
    
    return temp_path

# FastAPI 엔드포인트: 요약된 텍스트 기반으로 음악 생성
@app.post("/recommend_music/")
async def recommend_music(summary_text: str = Form(...), length: int = Form(512)):
    # 음악 생성
    music_path = generate_music(summary_text)
    
    # 생성된 음악 파일 경로 반환
    return {"music_path": music_path}

# FastAPI에서 정적 파일로 WAV 파일을 제공할 수 있도록 설정 (간단한 테스트용)
@app.get("/download_music/")
async def download_music(music_path: str):
    if os.path.exists(music_path):
        with open(music_path, "rb") as f:
            data = f.read()
        return {"audio_data": data}
    else:
        return {"error": "File not found"}