Update app.py

app.py

@@ -1,31 +1,40 @@
 from fastapi import FastAPI, HTTPException
-from tensorflow.keras.models import model_from_json
+from keras.models import model_from_json
 from pydantic import BaseModel
 import numpy as np
 
+# Definición del modelo de datos de entrada
 class InputData(BaseModel):
-    data: list
+    data: list  # Asumiendo que la entrada es una lista de características numéricas
 
 app = FastAPI()
+model = None  # Inicializa el modelo como None
 
+# Carga del modelo
 def load_model():
     try:
-        with open("model.json", 'r') as json_file:
-            loaded_model_json = json_file.read()
+        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 cargando el modelo: {str(e)}")
-        raise
-
-model = load_model()
+        print(f"Error al cargar el modelo: {e}")
+        return None
 
+# Ruta de predicción
 @app.post("/predict/")
 async def predict(data: InputData):
+    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:
-        input_data = np.array(data.data).reshape(1, -1)
+        # 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)
         prediction = model.predict(input_data).round()
         return {"prediction": prediction.tolist()}
     except Exception as e: