Update app.py

app.py

@@ -1,4 +1,3 @@
-import tensorflow as tf
 from keras.api.models import Sequential
 from keras.api.layers import InputLayer, Dense
 from fastapi import FastAPI, HTTPException
@@ -6,30 +5,20 @@ from pydantic import BaseModel
 import numpy as np
 from typing import List
 
-from keras.models import Sequential, Model, load_model
-from keras.layers import Dropout, Flatten, Dense
-from keras import optimizers
-from keras.models import model_from_json
 
 class InputData(BaseModel):
     data: List[float]  # Lista de características numéricas (flotantes)
 
+
 app = FastAPI()
 
+
 # Función para construir el modelo manualmente
 def build_model():
-    """
-    with open('model.json','r') as f:
-        json = f.read()
-    model = model_from_json(json)
-
-   
-    """
-    
     model = Sequential(
         [
             InputLayer(
-                shape=(2,), name="dense_2_input"
+                input_shape=(2,), name="dense_2_input"
             ),  # Ajusta el tamaño de entrada según tu modelo
             Dense(16, activation="relu", name="dense_2"),
             Dense(1, activation="sigmoid", name="dense_3"),
@@ -54,12 +43,10 @@ async def predict(data: InputData):
     global model
     try:
         # Convertir la lista de entrada a un array de NumPy para la predicción
-        input_data = np.array(data.data).reshape(1, -1)  # Asumiendo que la entrada debe ser de forma (1, num_features)
-        #print(input_data)
+        input_data = np.array(data.data).reshape(
+            1, -1
+        )  # Asumiendo que la entrada debe ser de forma (1, num_features)
         prediction = model.predict(input_data).round()
-        #return {"prediction": prediction.tolist()}
-        #prediction = 9
-        #print(prediction)
-        return {"prediction": prediction}
+        return {"prediction": prediction.tolist()}
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))