app.py

import tensorflow as tf
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

from keras.models import Sequential, Model, load_model
from keras.layers import Dropout, Flatten, Dense
from keras import optimizers
from keras.models import model_from_json

class InputData(BaseModel):
    data: List[float]  # Lista de características numéricas (flotantes)

app = FastAPI()

# Función para construir el modelo manualmente
def build_model():
    """
    with open('model.json','r') as f:
        json = f.read()
    model = model_from_json(json)

   
    """
    
    model = Sequential(
        [
            InputLayer(
                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)
        #print(input_data)
        prediction = model.predict(input_data).round()
        #return {"prediction": prediction.tolist()}
        #prediction = 9
        #print(prediction)
        return {"prediction": prediction}
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))