File size: 1,592 Bytes
d2e67f5 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 | """Descarga el modelo desde Hugging Face Hub y predice EN ESTA PC (o en el servidor donde corra).
En PyTorch del Hub se bajan los pesos y la configuraci贸n, pero la arquitectura
(la clase RegresionLineal) tiene que estar en tu c贸digo: por eso se importa modelo.py.
Uso:
python predict_hub.py tu-usuario/regresion-casas-pytorch
"""
import json
import sys
import numpy as np
import torch
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from modelo import RegresionLineal
REPO_ID = sys.argv[1] if len(sys.argv) > 1 else "TU-USUARIO/regresion-casas-pytorch"
# 1. Bajar los dos archivos que hacen falta
ruta_pesos = hf_hub_download(repo_id=REPO_ID, filename="model.safetensors")
ruta_config = hf_hub_download(repo_id=REPO_ID, filename="config.json")
# 2. Armar el modelo vac铆o, cargarle los pesos y leer la normalizaci贸n
with open(ruta_config, encoding="utf-8") as f:
config = json.load(f)
media = np.array(config["normalizacion"]["media"], dtype="float32")
desvio = np.array(config["normalizacion"]["desvio"], dtype="float32")
modelo = RegresionLineal(n_entradas=len(config["entradas"]))
modelo.load_state_dict(load_file(ruta_pesos))
modelo.eval()
# 3. Predecir
casas_nuevas = np.array([[50, 0, 0], [80, 1, 0], [110, 1, 1]], dtype="float32")
with torch.no_grad():
precios = modelo(torch.tensor((casas_nuevas - media) / desvio)).numpy().ravel()
for casa, precio in zip(casas_nuevas, precios):
print(f"{dict(zip(config['entradas'], casa.astype(int).tolist()))} -> {precio:.1f} miles de US$")
|