| """Descarga el modelo desde Hugging Face Hub y predice EN ESTA PC (o en el servidor donde corra).
|
|
|
| En PyTorch del Hub se bajan los pesos y la configuraci贸n, pero la arquitectura
|
| (la clase RegresionLineal) tiene que estar en tu c贸digo: por eso se importa modelo.py.
|
|
|
| Uso:
|
| python predict_hub.py tu-usuario/regresion-casas-pytorch
|
| """
|
|
|
| import json
|
| import sys
|
|
|
| import numpy as np
|
| import torch
|
| from huggingface_hub import hf_hub_download
|
| from safetensors.torch import load_file
|
|
|
| from modelo import RegresionLineal
|
|
|
| REPO_ID = sys.argv[1] if len(sys.argv) > 1 else "TU-USUARIO/regresion-casas-pytorch"
|
|
|
|
|
| ruta_pesos = hf_hub_download(repo_id=REPO_ID, filename="model.safetensors")
|
| ruta_config = hf_hub_download(repo_id=REPO_ID, filename="config.json")
|
|
|
|
|
| with open(ruta_config, encoding="utf-8") as f:
|
| config = json.load(f)
|
| media = np.array(config["normalizacion"]["media"], dtype="float32")
|
| desvio = np.array(config["normalizacion"]["desvio"], dtype="float32")
|
|
|
| modelo = RegresionLineal(n_entradas=len(config["entradas"]))
|
| modelo.load_state_dict(load_file(ruta_pesos))
|
| modelo.eval()
|
|
|
|
|
| casas_nuevas = np.array([[50, 0, 0], [80, 1, 0], [110, 1, 1]], dtype="float32")
|
| with torch.no_grad():
|
| precios = modelo(torch.tensor((casas_nuevas - media) / desvio)).numpy().ravel()
|
| for casa, precio in zip(casas_nuevas, precios):
|
| print(f"{dict(zip(config['entradas'], casa.astype(int).tolist()))} -> {precio:.1f} miles de US$")
|
|
|
