import gradio as gr
import torch
# Definir la función de predicción
def predict(categorical_input, continuous_input):
            return "Positivo / Negativo -> Nefropatía Diabética"
    # # Convertir la entrada categórica y continua en listas de enteros y floats respectivamente
    # categorical_input = list(map(int, categorical_input.split(',')))
    # continuous_input = list(map(float, continuous_input.split(',')))

    # with torch.no_grad():
    #     # Convertir las entradas a tensores de PyTorch
    #     categorical_input = torch.tensor([categorical_input], dtype=torch.long)
    #     continuous_input = torch.tensor([continuous_input], dtype=torch.float)

    #     # Realizar la predicción
    #     prediction = model(categorical_input, continuous_input)
    #     return prediction.numpy().tolist()

# Crear la interfaz
interface = gr.Interface(
    fn=predict,
    inputs=[
        #gr.Image(label=""),  # Aquí se agrega el componente de imagen
        gr.Textbox(lines=1, placeholder="Globulos rojos, Celulas de pus, Grumos de celulas de pus, Bacterias,Hipertension, Diabetes mellitus, Enfermedad arterial coronaria, Apetito, Edema pedioso, Anemia",label="Categoricas Input"),
        gr.Textbox(lines=1, placeholder="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, clase",label="Continuas Input")
    ],
    outputs="text",
    title="Diagnóstico de la Nefropatía Diabética utilizando el Modelo GatedTabTransformer de Google Research",
    description="Escribir los valores categóricos y numéricos del Paciente para el Diagnóstico."
)

# Ejecutar la interfaz
interface.launch()