| """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"
|
|
|
|
|
| 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$")
|
|
|
