Update app.py

app.py

@@ -1,12 +1,34 @@
-from keras.models import Model,model_from_json
-json_file = open("model.json",'r')
-loaded_model_json = json_file.read()
-json_file.close()
-loaded_model = model_from_json(loaded_model_json)
-loaded_model.load_weights("model.h5")
-print("cargado el modelo en el disco")
-loaded_model.compile(loss='mean_squared_error',optimizer='adam',metrics='binary_accuracy')
-X0 = 0
-X1 = 0
-XX = [[X0,X1]]
-print(loaded_model.predict(XX).round())
+from fastapi import FastAPI, HTTPException
+from keras.models import model_from_json
+from pydantic import BaseModel
+import numpy as np
+
+# Definición del modelo de datos de entrada
+class InputData(BaseModel):
+    data: list  # Asumiendo que la entrada es una lista de características numéricas
+
+app = FastAPI()
+
+# Carga del modelo
+def load_model():
+    json_file = open("model.json", 'r')
+    loaded_model_json = json_file.read()
+    json_file.close()
+    loaded_model = model_from_json(loaded_model_json)
+    loaded_model.load_weights("model.h5")
+    print("Cargado el modelo en el disco")
+    loaded_model.compile(loss='mean_squared_error', optimizer='adam', metrics=['binary_accuracy'])
+    return loaded_model
+
+model = load_model()
+
+@app.post("/predict/")
+async def predict(data: InputData):
+    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))
+