Update app.py

app.py

@@ -1,40 +1,51 @@
+from keras.api.models import Sequential
+from keras.api.layers import InputLayer, Dense
 from fastapi import FastAPI, HTTPException
-from keras.models import model_from_json
 from pydantic import BaseModel
 import numpy as np
 from typing import List
 
+
 class InputData(BaseModel):
     data: List[float]  # Lista de características numéricas (flotantes)
-    
+
+
 app = FastAPI()
-model = None  # Inicializa el modelo como None
 
-# Carga del modelo
-def load_model():
-    try:
-        json_file = open("model.json", 'r')
-        loaded_model_json = json_file.read()
-        json_file.close()
-        loaded_model = model_from_json(loaded_model_json)
-        loaded_model.load_weights("model.h5")
-        loaded_model.compile(loss='mean_squared_error', optimizer='adam', metrics=['binary_accuracy'])
-        return loaded_model
-    except Exception as e:
-        print(f"Error al cargar el modelo: {e}")
-        return None
+
+# Función para construir el modelo manualmente
+def build_model():
+    model = Sequential(
+        [
+            InputLayer(
+                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"),
+        ]
+    )
+    model.load_weights(
+        "model.h5"
+    )  # Asegúrate de que los nombres de las capas coincidan para que los pesos se carguen correctamente
+    model.compile(
+        loss="mean_squared_error", optimizer="adam", metrics=["binary_accuracy"]
+    )
+    return model
+
+
+model = build_model()  # Construir el modelo al iniciar la aplicación
+
 
 # Ruta de predicción
 @app.post("/predict/")
 async def predict(data: InputData):
+    print(f"Data: {data}")
     global model
-    if model is None:
-        model = load_model()
-        if model is None:
-            raise HTTPException(status_code=500, detail="Model could not be loaded")
     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)
+        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()}
     except Exception as e: