Update app.py

app.py

@@ -1,49 +1,45 @@
-from keras.api.models import Sequential
-from keras.api.layers import InputLayer, Dense
+import pandas as pd
+from keras.models import Sequential, model_from_json
+from keras.layers import InputLayer, Dense
 from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel
 import numpy as np
 from typing import List
 
 class InputData(BaseModel):
-    data: List[float]  # Lista de características numéricas (flotantes)
+    data: List[float]
 
 app = FastAPI()
 
-# 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
-
+# Cargar y procesar datos desde titanic-train.csv
+def load_data():
+    try:
+        df = pd.read_csv("titanic-train.csv")
+        # Ajustar procesamiento de datos según características necesarias para el modelo
+        # Aquí podrías filtrar y escalar las características
+        return df
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"Error cargando los datos: {str(e)}")
 
-model = build_model()  # Construir el modelo al iniciar la aplicación
+# Cargar el modelo
+def load_model():
+    with open("model.json", "r") as json_file:
+        model_config = json_file.read()
+    model = model_from_json(model_config)
+    model.load_weights("model.h5")
+    model.compile(loss="mean_squared_error", optimizer="adam", metrics=["binary_accuracy"])
+    return model
 
+model = load_model()
+data = load_data()  # Cargar y almacenar los datos al iniciar la aplicación
 
 # Ruta de predicción
 @app.post("/predict/")
 async def predict(data: InputData):
-    print(f"Data: {data}")
-    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)
+        input_data = np.array(data.data).reshape(1, -1)
         prediction = model.predict(input_data).round()
         return {"prediction": prediction.tolist()}
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))
+