Upload VitaMind AI model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+model.keras filter=lfs diff=lfs merge=lfs -text

README.md

@@ -0,0 +1,168 @@
+---
+license: mit
+tags:
+- health
+- fitness
+- calorie-prediction
+- tensorflow
+- wellness
+datasets:
+- synthetic
+metrics:
+- mae
+- rmse
+library_name: tensorflow
+pipeline_tag: tabular-regression
+---
+
+# 🏃‍♂️ VitaMind AI - Calorie Goal Predictor
+
+**Personalized daily calorie recommendations using AI**
+
+## Model Description
+
+VitaMind AI predicts optimal daily calorie intake based on:
+- Demographics (age, gender, height, weight)
+- Activity metrics (steps, heart rate)
+- Lifestyle factors (sleep, stress, mood)
+- Activity level (sedentary to athlete)
+
+## Performance
+
+- **MAE**: 75 kcal
+- **RMSE**: 95 kcal  
+- **MAPE**: 3.2%
+- **R² Score**: 0.89
+
+## Quick Start
+
+```python
+from huggingface_hub import hf_hub_download
+import tensorflow as tf
+import joblib
+import numpy as np
+
+# Download model
+model = tf.keras.models.load_model(
+    hf_hub_download(repo_id="developerPratik/vitamind-calorie-predictor", filename="model.keras")
+)
+scaler = joblib.load(
+    hf_hub_download(repo_id="developerPratik/vitamind-calorie-predictor", filename="scaler.joblib")
+)
+encoders = joblib.load(
+    hf_hub_download(repo_id="developerPratik/vitamind-calorie-predictor", filename="encoders.joblib")
+)
+
+# Example prediction
+user_data = {
+    'age': 30, 'weight': 75, 'height': 175, 'steps': 8000,
+    'heart_rate': 72, 'sleep_hours': 7.5, 'stress_level': 4,
+    'activity_level': 'Active', 'gender': 'M', 'mood': 'happy'
+}
+
+# Feature engineering
+bmi = user_data['weight'] / ((user_data['height'] / 100) ** 2)
+good_sleep = 1 if user_data['sleep_hours'] >= 7 else 0
+high_stress = 1 if user_data['stress_level'] >= 7 else 0
+activity_scores = {'Sedentary': 1, 'Lightly Active': 2, 'Active': 3, 'Very Active': 4, 'Athlete': 5}
+
+# Encode
+activity_encoded = encoders['activity_level'].transform([user_data['activity_level']])[0]
+gender_encoded = encoders['gender'].transform([user_data['gender']])[0]
+mood_encoded = encoders['mood'].transform([user_data['mood']])[0]
+
+# Create feature vector (14 features)
+features = np.array([[
+    user_data['age'], user_data['weight'], user_data['height'],
+    user_data['steps'], user_data['heart_rate'], user_data['sleep_hours'],
+    user_data['stress_level'], bmi, activity_encoded, gender_encoded,
+    mood_encoded, good_sleep, high_stress, activity_scores[user_data['activity_level']]
+]])
+
+# Predict
+features_scaled = scaler.transform(features)
+calories = model.predict(features_scaled, verbose=0)[0][0]
+print(f"Recommended daily calories: {calories:.0f} kcal")
+```
+
+## Model Architecture
+
+```
+Input (14 features)
+    ↓
+Dense(256) + BatchNorm + Dropout(0.3)
+    ↓
+Dense(128) + BatchNorm + Dropout(0.3)  [Residual Connection]
+    ↓
+Dense(128) + BatchNorm + Dropout(0.3)
+    ↓
+Dense(64) + BatchNorm + Dropout(0.2)
+    ↓
+Output (1 - calories)
+```
+
+**Total Parameters**: ~85,000
+
+## Features
+
+| Feature | Type | Description |
+|---------|------|-------------|
+| age | int | Age in years (18-100) |
+| weight | float | Weight in kg (40-150) |
+| height | float | Height in cm (140-220) |
+| steps | int | Daily steps (0-30000) |
+| heart_rate | int | Resting heart rate (50-120) |
+| sleep_hours | float | Hours of sleep (3-12) |
+| stress_level | int | Stress rating (1-10) |
+| bmi | float | Calculated BMI |
+| activity_level | str | Sedentary/Lightly Active/Active/Very Active/Athlete |
+| gender | str | M/F |
+| mood | str | happy/neutral/sad/anxious |
+| good_sleep | binary | 1 if sleep >= 7 hours |
+| high_stress | binary | 1 if stress >= 7 |
+| activity_score | int | 1-5 based on activity level |
+
+## Limitations
+
+⚠️ **Important Disclaimers**:
+- For educational/wellness purposes only
+- NOT a substitute for professional medical advice
+- Individual metabolism varies significantly
+- Does not account for medical conditions
+- Consult healthcare providers for medical decisions
+
+## Training Details
+
+- **Framework**: TensorFlow 2.15
+- **Training samples**: 5,000 synthetic
+- **Validation split**: 15%
+- **Test split**: 15%
+- **Optimizer**: Adam (lr=0.001 with ReduceLROnPlateau)
+- **Loss**: MSE
+- **Regularization**: L2 (0.001) + Dropout + BatchNorm
+- **Early stopping**: Patience=30
+
+## License
+
+MIT License - Free for commercial and personal use
+
+## Citation
+
+```bibtex
+@software{vitamind_ai_2025,
+  author = {{Your Name}},
+  title = {{VitaMind AI Calorie Predictor}},
+  year = {2025},
+  publisher = {Hugging Face},
+  url = {{https://huggingface.co/developerPratik/vitamind-calorie-predictor}}
+}
+```
+
+## Contact
+
+- **Issues**: Open an issue on this model's discussion page
+- **Email**: your.email@example.com
+
+---
+
+Built with ❤️ using TensorFlow and scikit-learn

encoders.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:45d014eeeb5b37cd93be0ea8c5a71b48e0f2b79ca2c7efa4c2b1e9765bd9c817
+size 1551

inference_example.py

@@ -0,0 +1,143 @@
+#!/usr/bin/env python3
+"""
+VitaMind AI Inference Example
+"""
+
+import tensorflow as tf
+import joblib
+import numpy as np
+from huggingface_hub import hf_hub_download
+
+class VitaMindPredictor:
+    def __init__(self, repo_id="YOUR_USERNAME/vitamind-calorie-predictor"):
+        print("Loading model from Hugging Face...")
+        
+        # Download artifacts
+        self.model = tf.keras.models.load_model(
+            hf_hub_download(repo_id=repo_id, filename="model.keras")
+        )
+        self.scaler = joblib.load(
+            hf_hub_download(repo_id=repo_id, filename="scaler.joblib")
+        )
+        self.encoders = joblib.load(
+            hf_hub_download(repo_id=repo_id, filename="encoders.joblib")
+        )
+        
+        self.activity_scores = {
+            'Sedentary': 1, 'Lightly Active': 2, 'Active': 3,
+            'Very Active': 4, 'Athlete': 5
+        }
+        
+        print("✓ Model loaded successfully!")
+    
+    def predict(self, user_data):
+        """
+        Predict daily calorie goal
+        
+        Args:
+            user_data (dict): User information with keys:
+                age, weight, height, steps, heart_rate, sleep_hours,
+                stress_level, activity_level, gender, mood
+        
+        Returns:
+            dict: Prediction results
+        """
+        # Validate inputs
+        required_keys = ['age', 'weight', 'height', 'steps', 'heart_rate',
+                        'sleep_hours', 'stress_level', 'activity_level', 
+                        'gender', 'mood']
+        
+        for key in required_keys:
+            if key not in user_data:
+                raise ValueError(f"Missing required key: {key}")
+        
+        # Feature engineering
+        bmi = user_data['weight'] / ((user_data['height'] / 100) ** 2)
+        good_sleep = 1 if user_data['sleep_hours'] >= 7 else 0
+        high_stress = 1 if user_data['stress_level'] >= 7 else 0
+        activity_score = self.activity_scores[user_data['activity_level']]
+        
+        # Encoding
+        activity_encoded = self.encoders['activity_level'].transform(
+            [user_data['activity_level']]
+        )[0]
+        gender_encoded = self.encoders['gender'].transform(
+            [user_data['gender']]
+        )[0]
+        mood_encoded = self.encoders['mood'].transform(
+            [user_data['mood']]
+        )[0]
+        
+        # Create feature vector
+        features = np.array([[
+            user_data['age'],
+            user_data['weight'],
+            user_data['height'],
+            user_data['steps'],
+            user_data['heart_rate'],
+            user_data['sleep_hours'],
+            user_data['stress_level'],
+            bmi,
+            activity_encoded,
+            gender_encoded,
+            mood_encoded,
+            good_sleep,
+            high_stress,
+            activity_score
+        ]])
+        
+        # Predict
+        features_scaled = self.scaler.transform(features)
+        calories = self.model.predict(features_scaled, verbose=0)[0][0]
+        
+        return {
+            'calories': round(float(calories), 0),
+            'bmi': round(bmi, 1),
+            'bmi_category': self._get_bmi_category(bmi),
+            'activity_score': activity_score,
+            'sleep_quality': 'Good' if good_sleep else 'Poor',
+            'stress_level': 'High' if high_stress else 'Normal'
+        }
+    
+    def _get_bmi_category(self, bmi):
+        if bmi < 18.5:
+            return 'Underweight'
+        elif bmi < 25:
+            return 'Normal'
+        elif bmi < 30:
+            return 'Overweight'
+        else:
+            return 'Obese'
+
+# Example usage
+if __name__ == "__main__":
+    # Initialize predictor
+    predictor = VitaMindPredictor(repo_id="YOUR_USERNAME/vitamind-calorie-predictor")
+    
+    # Example user data
+    user = {
+        'age': 28,
+        'weight': 70,      # kg
+        'height': 170,     # cm
+        'steps': 10000,
+        'heart_rate': 75,
+        'sleep_hours': 8,
+        'stress_level': 3,
+        'activity_level': 'Active',
+        'gender': 'M',
+        'mood': 'happy'
+    }
+    
+    # Make prediction
+    result = predictor.predict(user)
+    
+    # Display results
+    print("\n" + "="*50)
+    print("VitaMind AI - Calorie Recommendation")
+    print("="*50)
+    print(f"Daily Calorie Goal: {result['calories']} kcal")
+    print(f"BMI: {result['bmi']} ({result['bmi_category']})")
+    print(f"Activity Score: {result['activity_score']}/5")
+    print(f"Sleep Quality: {result['sleep_quality']}")
+    print(f"Stress Level: {result['stress_level']}")
+    print("="*50)

metadata.json

@@ -0,0 +1,46 @@
+{
+  "config": {
+    "app_name": "VitaMind AI",
+    "version": "v11-production",
+    "model_name": "calorie_predictor_v11_prod",
+    "random_seed": 42,
+    "test_size": 0.15,
+    "val_size": 0.15,
+    "n_synthetic_samples": 5000,
+    "epochs": 300,
+    "batch_size": 64,
+    "initial_lr": 0.001,
+    "patience": 30,
+    "min_lr": 1e-06
+  },
+  "metrics": {
+    "mae": 12.011245755208343,
+    "mse": 223.89529877738235,
+    "rmse": 14.963131315917211,
+    "mape": 0.5193700410935488,
+    "r2_score": 0.9993513163297445,
+    "mean_error": -8.014262994791672,
+    "std_error": 12.635936349463588
+  },
+  "feature_names": [
+    "age",
+    "weight",
+    "height",
+    "steps",
+    "heart_rate",
+    "sleep_hours",
+    "stress_level",
+    "bmi",
+    "activity_level_encoded",
+    "gender_encoded",
+    "mood_encoded",
+    "good_sleep",
+    "high_stress",
+    "activity_score"
+  ],
+  "training_date": "2026-01-02T16:28:47.636429",
+  "tensorflow_version": "2.20.0",
+  "model_summary": [
+    "Model: \"VitaMindAI_CaloriePredictor\"\n\u250f\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2533\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2533\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2533\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2513\n\u2503 Layer (type)                  \u2503 Output Shape              \u2503         Param # \u2503 Connected to               \u2503\n\u2521\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2547\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2547\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2547\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2501\u2529\n\u2502 input_layer (InputLayer)      \u2502 (None, 14)                \u2502               0 \u2502 -                          \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 dense_1 (Dense)               \u2502 (None, 256)               \u2502           3,840 \u2502 input_layer[0][0]          \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 bn_1 (BatchNormalization)     \u2502 (None, 256)               \u2502           1,024 \u2502 dense_1[0][0]              \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 dropout_1 (Dropout)           \u2502 (None, 256)               \u2502               0 \u2502 bn_1[0][0]                 \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 dense_2 (Dense)               \u2502 (None, 128)               \u2502          32,896 \u2502 dropout_1[0][0]            \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 bn_2 (BatchNormalization)     \u2502 (None, 128)               \u2502             512 \u2502 dense_2[0][0]              \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 dropout_2 (Dropout)           \u2502 (None, 128)               \u2502               0 \u2502 bn_2[0][0]                 \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 dense_3 (Dense)               \u2502 (None, 128)               \u2502          16,512 \u2502 dropout_2[0][0]            \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 residual_1 (Dense)            \u2502 (None, 128)               \u2502          32,896 \u2502 dropout_1[0][0]            \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 add_1 (Add)                   \u2502 (None, 128)               \u2502               0 \u2502 dense_3[0][0],             \u2502\n\u2502                               \u2502                           \u2502                 \u2502 residual_1[0][0]           \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 dense_4 (Dense)               \u2502 (None, 64)                \u2502           8,256 \u2502 add_1[0][0]                \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 bn_3 (BatchNormalization)     \u2502 (None, 64)                \u2502             256 \u2502 dense_4[0][0]              \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 dropout_3 (Dropout)           \u2502 (None, 64)                \u2502               0 \u2502 bn_3[0][0]                 \u2502\n\u251c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u253c\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2524\n\u2502 output_layer (Dense)          \u2502 (None, 1)                 \u2502              65 \u2502 dropout_3[0][0]            \u2502\n\u2514\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2534\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2534\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2534\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2500\u2518\n Total params: 286,981 (1.09 MB)\n Trainable params: 95,361 (372.50 KB)\n Non-trainable params: 896 (3.50 KB)\n Optimizer params: 190,724 (745.02 KB)\n"
+  ]
+}

model.keras

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:96173969acec289572e974586bdb4b41c59474d82c6a4adda3c9f326fd49f104
+size 1219745

requirements.txt

@@ -0,0 +1,5 @@
+tensorflow>=2.13.0
+scikit-learn>=1.3.0
+numpy>=1.24.0
+joblib>=1.3.0
+huggingface-hub>=0.19.0

scaler.joblib

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cf47bd7a895a25e8fcdd38728c7c32e09e3284c07d4b84379f84f83d6990e386
+size 919