Create model.py

model.py

@@ -0,0 +1,29 @@
+import torch
+from tsai.models.GatedTabTransformer import GatedTabTransformer
+from fastai.tabular.all import TabularDataLoaders
+
+# Define el DataLoaders que utilizaste durante el entrenamiento (esto es necesario para configurar correctamente el modelo)
+# Crear los loaders de datos
+dls = TabularDataLoaders.from_df(data, path=".", y_names="clase",
+                                 cat_names=cat_names, cont_names=cont_names,
+                                 procs=[Categorify, FillMissing, Normalize])
+
+# Aquí asumo que tienes las clases categóricas y los nombres de las características continuas
+# Nombres de variables categóricas
+
+
+cat_names = ['Globulos rojos', 'Celulas de pus', 'Grumos de celulas de pus',
+             'Bacterias', 'Hipertensión', 'Diabetes mellitus',
+             'Enfermedad arterial coronaria', 'Apetito', 'Edema pedioso', 'Anemia']
+
+# Nombres de variables continuas
+
+
+cont_names = ['Edad', 'Presion arterial', 'Gravedad especifica', 'Albumina', 'Azucar',
+              'Glucosa en sangre aleatoria', 'Urea en sangre', 'Creatinina serica',
+              'Sodio', 'Potasio', 'Hemoglobina', 'Volumen de celulas empaquetadas',
+              'Recuento de globulos blancos', 'Recuento de globulos rojos']
+# Carga del modelo preentrenado
+# model = GatedTabTransformer(emb_szs={}, n_cont=10, out_sz=2)  # Ajusta los parámetros según tu configuración
+model = GatedTabTransformer(dls.classes, dls.cont_names, dls.c, mlp_d_model=128, mlp_d_ffn=256, mlp_layers=6)
+model.load_state_dict(torch.load('/content/GatedTabTransformer_model.pth'))