| """Descarga el modelo desde Hugging Face Hub y predice EN ESTA PC.
|
|
|
| Baja model.onnx. El modelo vive en el Hub; la inferencia la hace este código.
|
|
|
| No hace falta scikit-learn: alcanza con onnxruntime.
|
|
|
| Uso:
|
| python predict_hub.py tu-usuario/casas-sklearn-exportar-onnx
|
| """
|
|
|
| import sys
|
| import numpy as np
|
| import onnxruntime as ort
|
| from huggingface_hub import hf_hub_download
|
|
|
| REPO_ID = sys.argv[1] if len(sys.argv) > 1 else "TU-USUARIO/casas-sklearn-exportar-onnx"
|
|
|
|
|
| sesion = ort.InferenceSession(hf_hub_download(repo_id=REPO_ID, filename="model.onnx"))
|
| casas_nuevas = np.array([[50, 0, 0], [80, 1, 0], [110, 1, 1]], dtype="float32")
|
| precios = sesion.run(None, {sesion.get_inputs()[0].name: casas_nuevas})[0]
|
|
|
| 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$")
|
|
|
