Publicar modelo y Model Card

README.md

@@ -24,6 +24,14 @@ python exportar.py
 python cargar.py
 ```
 
+## Usar el modelo desde el Hub
+
+Esta carpeta se puede subir tal cual como repositorio de modelo (desde la raíz: `python publicar_en_hub.py 00-formatos-exportacion/pytorch-exportar-torchscript`). Después, desde cualquier PC:
+
+```bash
+python predict_hub.py tu-usuario/casas-pytorch-exportar-torchscript
+```
+
 ## Qué guarda el formato
 
 | | |

cargar.py

@@ -11,11 +11,10 @@ import numpy as np
 import torch
 
 CARPETA = Path(__file__).parent
-ORIGEN = CARPETA.parent / "pytorch-entrenamiento-evaluacion"
 ENTRADAS = ["m2", "balcon", "ascensor"]
 
 # La normalización no viaja dentro del archivo: se lee de config.json
-config = json.loads((ORIGEN / "config.json").read_text(encoding="utf-8"))
+config = json.loads((CARPETA / "config.json").read_text(encoding="utf-8"))
 media = np.array(config["normalizacion"]["media"], dtype="float32")
 desvio = np.array(config["normalizacion"]["desvio"], dtype="float32")
 

config.json

@@ -0,0 +1,21 @@
+{
+  "arquitectura": "RegresionLineal (torch.nn.Linear)",
+  "entradas": [
+    "m2",
+    "balcon",
+    "ascensor"
+  ],
+  "salida": "precio (miles de US$)",
+  "normalizacion": {
+    "media": [
+      78.51875305175781,
+      0.46875,
+      0.512499988079071
+    ],
+    "desvio": [
+      23.397640228271484,
+      0.4990224838256836,
+      0.4998437762260437
+    ]
+  }
+}

exportar.py

@@ -8,6 +8,7 @@ Uso:
 """
 
 import json
+import shutil
 import sys
 from pathlib import Path
 
@@ -34,3 +35,8 @@ modelo.eval()
 ejemplo = torch.zeros(1, 3)
 torch.jit.trace(modelo, ejemplo).save(CARPETA / "model_ts.pt")
 print("Modelo guardado en model_ts.pt")
+
+# Se copian al lado del modelo: así la carpeta se puede subir sola al Hub
+for archivo in ["config.json"]:
+    shutil.copy(ORIGEN / archivo, CARPETA / archivo)
+print("Copiados: config.json")

model_ts.pt

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:d0ecc8e75969f8dcc1aab653945d52155838cce4e2e81af062ef986e746bbbec
+oid sha256:9cb1f50c9dd8a99c97f2ee06caab15acd700a088e2649ff5b547964442e165c9
 size 4258

predict_hub.py

@@ -0,0 +1,34 @@
+"""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$")

requirements.txt

@@ -1,3 +1,4 @@
 torch>=2.1
 safetensors
 numpy
+huggingface_hub  # para predict_hub.py