tahamajs's picture
download
raw
5.58 kB
#!/usr/bin/env python3
"""
فایل اجرایی ساده برای تست سریع Systematic Generalization
Simple execution file for quick testing of Systematic Generalization
"""
import os
import sys
from pathlib import Path
# اضافه کردن مسیر پروژه
PROJECT_ROOT = Path(__file__).parent
sys.path.append(str(PROJECT_ROOT))
def quick_test():
"""تست سریع سیستم"""
print("🚀 شروع تست سریع Systematic Generalization")
print("=" * 60)
# بررسی API Key
api_key = os.getenv("GEMINI_API_KEY")
if not api_key:
print("❌ خطا: متغیر محیطی GEMINI_API_KEY تنظیم نشده است")
print("لطفاً API Key خود را تنظیم کنید:")
print("export GEMINI_API_KEY='your-gemini-api-key-here'")
return False
print(f"✅ API Key موجود: {api_key[:10]}...")
try:
# تست import ماژول‌ها
print("\n📦 تست import ماژول‌ها...")
from gemini_config import GeminiConfig, GeminiSystematicGeneralization
print(" ✅ gemini_config")
from advanced_rag_system import AdvancedRAGSystem, RAGConfig
print(" ✅ advanced_rag_system")
from systematic_generalization_gemini import SystematicGeneralizationEvaluator
print(" ✅ systematic_generalization_gemini")
from neural_symbolic_integration import (
NeuralSymbolicConfig,
SystematicGeneralizationNeuralSymbolic,
)
print(" ✅ neural_symbolic_integration")
print("✅ تمام ماژول‌ها با موفقیت import شدند")
# تست پیکربندی
print("\n⚙️ تست پیکربندی...")
gemini_config = GeminiConfig(
api_key=api_key, model_name="gemini-1.5-pro", temperature=0.7
)
gemini_system = GeminiSystematicGeneralization(gemini_config)
print(" ✅ پیکربندی Gemini")
# تست ساده
print("\n🧪 تست ساده...")
response = gemini_system.generate_systematic_response(
"چگونه می‌توانم مفهوم ترکیب‌پذیری را در هوش مصنوعی پیاده‌سازی کنم؟"
)
if response["success"]:
print(" ✅ تست Gemini API موفق بود")
print(f" 📝 پاسخ: {response['response'][:100]}...")
else:
print(" ❌ تست Gemini API ناموفق بود")
return False
# تست RAG
print("\n📚 تست سیستم RAG...")
rag_config = RAGConfig(
embedding_model="sentence-transformers/all-MiniLM-L6-v2",
chunk_size=1000,
vector_store_type="faiss",
)
rag_system = AdvancedRAGSystem(rag_config, gemini_config)
print(" ✅ سیستم RAG ایجاد شد")
# تست Neural-Symbolic
print("\n🧠 تست Neural-Symbolic...")
neural_symbolic_config = NeuralSymbolicConfig(
embedding_dim=128, hidden_dim=256, integration_mode="hybrid"
)
neural_symbolic_system = SystematicGeneralizationNeuralSymbolic(
neural_symbolic_config, gemini_config
)
print(" ✅ سیستم Neural-Symbolic ایجاد شد")
# تست ارزیاب
print("\n📊 تست ارزیاب...")
evaluator = SystematicGeneralizationEvaluator(gemini_config)
print(" ✅ ارزیاب ایجاد شد")
print("\n" + "=" * 60)
print("🎉 تمام تست‌ها با موفقیت انجام شد!")
print("✅ سیستم آماده اجرای آزمایش‌های کامل است")
print("\nبرای اجرای آزمایش کامل:")
print("python main_experimental.py --mode full")
print("\nبرای اجرای نوت‌بوک:")
print("jupyter notebook CA6_Experimental_Notebook.ipynb")
return True
except ImportError as e:
print(f"❌ خطا در import: {e}")
print("لطفاً کتابخانه‌های مورد نیاز را نصب کنید:")
print("pip install -r requirements_gemini.txt")
return False
except Exception as e:
print(f"❌ خطای غیرمنتظره: {e}")
return False
def show_help():
"""نمایش راهنما"""
print(
"""
🔧 راهنمای استفاده از پروژه Systematic Generalization
📋 دستورات موجود:
python quick_test.py # تست سریع سیستم
python quick_test.py --help # نمایش این راهنما
🚀 دستورات اصلی:
python main_experimental.py --mode basic # تست‌های پایه
python main_experimental.py --mode comprehensive # ارزیابی جامع
python main_experimental.py --mode full # آزمایش کامل
📓 نوت‌بوک:
jupyter notebook CA6_Experimental_Notebook.ipynb
⚙️ تنظیمات:
export GEMINI_API_KEY="your-gemini-api-key-here"
📦 نصب:
pip install -r requirements_gemini.txt
📚 مستندات:
README_Experimental.md
🐛 عیب‌یابی:
- مطمئن شوید API Key تنظیم شده است
- تمام کتابخانه‌ها نصب شده باشند
- Python 3.8+ استفاده کنید
"""
)
if __name__ == "__main__":
if len(sys.argv) > 1 and sys.argv[1] in ["--help", "-h", "help"]:
show_help()
else:
success = quick_test()
sys.exit(0 if success else 1)

Xet Storage Details

Size:
5.58 kB
·
Xet hash:
494b98af561a479fc00c59a2b5d22c7ea0f93f4f0beada2517414dad08d3b5e1

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.