Upload 3 files

Dockerfile

@@ -0,0 +1,16 @@
+# Usa una imagen base de Python
+FROM python:3.9
+# Establece el directorio de trabajo
+WORKDIR /code
+
+# Copia los archivos necesarios al contenedor
+COPY ./requirements.txt /code/requirements.txt
+RUN pip install --no-cache-dir -r /code/requirements.txt
+RUN pip install fastapi uvicorn
+
+COPY . .
+
+RUN chmod -R 777 /code
+
+# Comando para ejecutar la aplicación
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -0,0 +1,49 @@
+from keras.api.models import Sequential
+from keras.api.layers import InputLayer, Dense
+from fastapi import FastAPI, HTTPException
+from pydantic import BaseModel
+import numpy as np
+from typing import List
+
+class InputData(BaseModel):
+    data: List[float]  # Lista de características numéricas (flotantes)
+
+app = FastAPI()
+
+# Función para construir el modelo manualmente
+def build_model():
+    model = Sequential(
+        [
+            InputLayer(
+                input_shape=(2,), name="dense_2_input"
+            ),  # Ajusta el tamaño de entrada según tu modelo
+            Dense(16, activation="relu", name="dense_2"),
+            Dense(1, activation="sigmoid", name="dense_3"),
+        ]
+    )
+    model.load_weights(
+        "model.h5"
+    )  # Asegúrate de que los nombres de las capas coincidan para que los pesos se carguen correctamente
+    model.compile(
+        loss="mean_squared_error", optimizer="adam", metrics=["binary_accuracy"]
+    )
+    return model
+
+
+model = build_model()  # Construir el modelo al iniciar la aplicación
+
+
+# Ruta de predicción
+@app.post("/predict/")
+async def predict(data: InputData):
+    print(f"Data: {data}")
+    global model
+    try:
+        # Convertir la lista de entrada a un array de NumPy para la predicción
+        input_data = np.array(data.data).reshape(
+            1, -1
+        )  # Asumiendo que la entrada debe ser de forma (1, num_features)
+        prediction = model.predict(input_data).round()
+        return {"prediction": prediction.tolist()}
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=str(e))

requirements.txt

@@ -0,0 +1,6 @@
+tensorflow
+keras
+fastapi
+numpy
+pydantic
+uvicorn