File size: 2,397 Bytes
1eb207c d01f606 a7784f9 1eb207c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 |
# Importar librer铆as
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense
import gradio as gr
# Cargar el conjunto de datos Iris
iris = load_iris()
X = iris.data
y = iris.target
# Dividir el conjunto de datos en entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Normalizar los datos
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# Construir el modelo
model = Sequential([
Dense(64, activation='relu', input_dim=4), # Capa oculta con 64 neuronas y funci贸n de activaci贸n ReLU
Dense(3, activation='softmax') # Capa de salida con 3 neuronas para las clases de iris
])
# Compilar el modelo
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# Entrenar el modelo
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))
# Definir una funci贸n para la predicci贸n
def predict_iris_species(sepal_length, sepal_width, petal_length, petal_width):
input_data = np.array([[sepal_length, sepal_width, petal_length, petal_width]])
scaled_input_data = scaler.transform(input_data)
prediction = model.predict(scaled_input_data)
return iris.target_names[np.argmax(prediction)]
# Definir la interfaz Gradio
iface = gr.Interface(
fn=predict_iris_species,
inputs=[
gr.Slider(minimum=0, maximum=10, label="Sepal Length"),
gr.Slider(minimum=0, maximum=10, label="Sepal Width"),
gr.Slider(minimum=0, maximum=10, label="Petal Length"),
gr.Slider(minimum=0, maximum=10, label="Petal Width"),
],
outputs=gr.Label(num_top_classes=3),
live=True,
title='Detector de especies de iris, en Red Neuronal',
description='Este modelo est谩 desarrollado para la clasificaci贸n Multiclase de flores de la especie Iris.',
article= 'Autor: <a href=\"https://huggingface.co/Antonio49\">Antonio Fern谩ndez</a> de <a href=\"https://saturdays.ai/\">SaturdaysAI</a>. Aplicaci贸n desarrollada con fines docentes',
theme='peach',
examples = [[5,7,0,0],
[0,1,2,8]]
)
# Ejecutar la interfaz
iface.launch() |