File size: 1,338 Bytes
990a10e | 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 | """Descarga el modelo desde Hugging Face Hub y predice EN ESTA PC.
Baja model_ts.pt + config.json. El modelo vive en el Hub; la inferencia la hace este código.
No hace falta la clase RegresionLineal: el código viene en el archivo.
Uso:
python predict_hub.py tu-usuario/casas-pytorch-exportar-torchscript
"""
import json
import sys
import numpy as np
import torch
from huggingface_hub import hf_hub_download
REPO_ID = sys.argv[1] if len(sys.argv) > 1 else "TU-USUARIO/casas-pytorch-exportar-torchscript"
# La primera vez descarga el archivo; después usa la copia en caché
casas_nuevas = np.array([[50, 0, 0], [80, 1, 0], [110, 1, 1]], dtype="float32")
with open(hf_hub_download(repo_id=REPO_ID, filename="config.json"), 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")
x = torch.tensor((casas_nuevas - media) / desvio)
modelo = torch.jit.load(hf_hub_download(repo_id=REPO_ID, filename="model_ts.pt"))
with torch.no_grad():
precios = modelo(x).numpy()
ENTRADAS = ["m2", "balcon", "ascensor"]
for casa, precio in zip([[50, 0, 0], [80, 1, 0], [110, 1, 1]], np.ravel(precios)):
print(f"{dict(zip(ENTRADAS, casa))} -> {precio:.1f} miles de US$")
|