Despliegue junto al modelo

app.py

@@ -0,0 +1,46 @@
+import gradio as gr
+import torch
+import torch.nn as nn
+
+
+class XORModel(nn.Module):
+    def __init__(self):
+        super(XORModel, self).__init__()
+        self.fc1 = nn.Linear(2, 2)
+        self.fc2 = nn.Linear(2, 1)
+
+    def forward(self, x):
+        x = torch.sigmoid(self.fc1(x))
+        x = torch.sigmoid(self.fc2(x))
+        return x
+
+
+model = XORModel()
+model.load_state_dict(torch.load("modelo_xor.pt"))
+model.eval()
+
+
+def predict(x1, x2):
+    resultado = 0
+    inputs = torch.tensor([[x1, x2]], dtype=torch.float32)
+    with torch.no_grad():
+        prediction = model(inputs)
+        prediction = (prediction > 0.5).item()
+        if prediction == 0:
+            resultado = 0
+        else:
+            resultado = 1
+    return resultado
+
+
+# Define la interfaz Gradio
+iface = gr.Interface(
+    fn=predict,
+    inputs=[gr.components.Number(), gr.components.Number()],
+    outputs=gr.components.Label(),
+    title="Modelo XOR con PyTorch",
+    description="Ingresa dos números (0 o 1) para predecir el resultado XOR.",
+    live=True,  # Muestra el resultado en tiempo real
+)
+
+iface.launch()

modelo_xor.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d48c0a032db897c8015375217d3a43306ccc50684be105533a9b716fcbe5be7a
+size 2088

requirements.txt

@@ -0,0 +1,2 @@
+torch
+gradio