Create app.py

app.py

@@ -0,0 +1,60 @@
+
+import streamlit as st
+import torch
+import torch.nn as nn
+import numpy as np
+
+class diamonds_model(nn.Module):
+    def __init__(self, input_size, output_size):
+        super().__init__()
+        self.layer_1 = nn.Linear(in_features=input_size, out_features=15)
+        self.layer_2 = nn.Linear(in_features=15, out_features=12)
+        self.layer_3 = nn.Linear(in_features=12, out_features=8)
+        self.layer_4 = nn.Linear(in_features=8, out_features=output_size)
+        self.relu = nn.ReLU()
+        self.softmax = nn.Softmax(dim=1)
+
+    def forward(self, x):
+        x = self.relu(self.layer_1(x))
+        x = self.relu(self.layer_2(x))
+        x = self.relu(self.layer_3(x))
+        x = self.layer_4(x)
+        x = self.softmax(x)
+        return x
+
+# Chargement du modèle
+try:
+    model = torch.load("modeleANN.pth", map_location=torch.device('cpu'))
+    model.eval()
+    input_size = model.layer_1.in_features
+    output_size = model.layer_4.out_features
+    st.write("Modèle chargé avec succès.") #confirmation du chargement.
+except FileNotFoundError:
+    st.error("Le fichier du modèle (modeleANN.pth) n'a pas été trouvé.")
+    st.stop()
+except Exception as e:
+    st.error(f"Une erreur s'est produite lors du chargement du modèle : {e}")
+    st.stop()
+
+# Interface Streamlit
+st.title("Prédiction de la qualité de la coupe du diamant")
+st.write("Entrez les caractéristiques du diamant:")
+
+# Création des entrées utilisateur
+inputs = [st.number_input(f"Feature {i+1}", value=0.0) for i in range(input_size)]
+
+# Prédiction
+if st.button("Prédire"):
+    inputs_tensor = torch.tensor([inputs], dtype=torch.float32)
+    with torch.no_grad():
+        prediction = model(inputs_tensor.unsqueeze(0)) #Ajout de la dimension batch
+    probabilities = prediction.numpy()[0]
+    predicted_class = np.argmax(probabilities)
+
+    class_labels = ["Classe 1", "Classe 2", "Classe 3", "Classe 4", "Classe 5"]  # Remplacez par vos labels réels
+
+    st.write("Probabilités de classe :")
+    for i, prob in enumerate(probabilities):
+        st.write(f"{class_labels[i]}: {prob:.4f}")
+
+    st.write(f"Classe prédite: {class_labels[predicted_class]}")