Create app.py

app.py

@@ -0,0 +1,53 @@
+import gradio as gr
+import torch
+from torchvision.utils import save_image
+from PIL import Image
+from huggingface_hub import hf_hub_download
+import os
+
+
+# -----------------------------
+# 1. CARGAR MODELO DESDE HUGGING FACE
+# -----------------------------
+# Reemplaza estos datos con los tuyos
+REPO_ID = "Bmo411/VAE"  # <-- cámbialo por el tuyo
+MODEL_FILENAME = "vae_complete_model.pth"
+
+# Descargar modelo automáticamente
+model_path = hf_hub_download(repo_id=REPO_ID, filename=MODEL_FILENAME)
+
+# Inicializar modelo y cargar pesos
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+model = VAE()
+model.load_state_dict(torch.load(model_path, map_location=device))
+model.to(device)
+model.eval()
+
+# -----------------------------
+# 3. FUNCIÓN PARA GENERAR IMAGEN
+# -----------------------------
+def generate_image(z_dim=40):
+    with torch.no_grad():
+        z = torch.randn(1, z_dim).to(device)
+        out = model.decode(z)
+        out = torch.sigmoid(out)
+        out = out.view(1, 1, 100, 100)
+
+        output_path = "generated_sample.png"
+        save_image(out, output_path)
+
+        img = Image.open(output_path)
+        return img
+
+# -----------------------------
+# 4. INTERFAZ GRADIO
+# -----------------------------
+iface = gr.Interface(
+    fn=generate_image,
+    inputs=gr.Slider(10, 100, value=40, step=1, label="Dimensión latente (z_dim)"),
+    outputs="image",
+    title="Generador de Imagen con VAE",
+    description="Genera una imagen aleatoria a partir del espacio latente del VAE entrenado."
+)
+
+iface.launch()