Create app.py

app.py

@@ -0,0 +1,59 @@
+# Importar librerías
+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 función de activación 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 función para la predicción
+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,
+)
+
+# Ejecutar la interfaz
+iface.launch()