app.py

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from typing import List
from tensorflow.keras.models import model_from_json
from sklearn.preprocessing import StandardScaler

class InputData(BaseModel):
    data: List[float]  # Lista de características numéricas (flotantes)

app = FastAPI()

# Cargar el modelo desde JSON
with open('model.json', 'r') as json_file:
    model_json = json_file.read()
    model = model_from_json(model_json)

# Cargar los pesos en el modelo
model.load_weights('model_weights.h5')

# Ruta de predicción
@app.post("/predict/")
async def predict(data: InputData):
    try:
        # Convertir la lista de entrada a un array de NumPy para la predicción
        input_data = np.array(data.data).reshape(1, -1)
        
        # Escalar los datos (asegúrate de que el escalador ha sido entrenado y guardado adecuadamente)
        scaler = StandardScaler()
        input_data = scaler.fit_transform(input_data)
        
        # Realizar la predicción
        prediction = model.predict(input_data).round()
        return {"prediction": prediction.tolist()}
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))