[FIX] input_signature

Author: jzsmoreno

forecasting/app.py

@@ -24,24 +24,25 @@
 
 # Selector de modelo en el sidebar
 model_selector = st.sidebar.selectbox("Selecciona el modelo a utilizar:", list(models.keys()))
-
 # Especificación de datos en el sidebar
 st.sidebar.markdown("# Parámetros de Entrada:")
+n_steps = st.sidebar.slider("Número de pasos temporales de las series", 4, 200, 100, 2)
 val = st.sidebar.radio("Inclinación", (False, True))
 n = st.sidebar.slider("Número total de series", 2, 200, 25, 1)
 i_serie = st.sidebar.slider("Serie a considerar", 0, n - 1, 0, 1)
+steps = st.sidebar.slider("Número de pasos del modelo", 2, n_steps - 2, 16, 2)
+val_train = st.sidebar.radio("Re-entrenamiento", (False, True))
 p_train = st.sidebar.slider("Proporción de entrenamiento", 0.2, 1.0, 0.7, 0.1)
-steps = st.sidebar.slider("Número de pasos del modelo", 1, 20, 16, 1)
 
 # Generación de los datos
-n_steps = 100
 data_ = generate_series(n, n_steps=n_steps, incline=val)
 scaler = DataScaler(np.copy(data_))
 data_scale = scaler.rescale()
 series = convert_to_df(np.copy(data_)).describe()
 
 train, test = create_train_test_set(np.copy(data_scale), p_train=p_train, steps=steps)
-neural_network.fit(train[0][:, :, np.newaxis], train[1], verbose=0)
+if val_train:
+    neural_network.fit(train[0][:, :, np.newaxis], train[1], verbose=0)
 
 # Sección de estadísticas descriptivas de los datos
 st.header("Estadísticas Descriptivas de los Datos")
@@ -63,11 +64,12 @@
 fig2 = plot_series(convert_to_df(data_), prediction, i=i_serie)
 st.plotly_chart(fig2)
 
-# Error cuadrático medio (RMSE)
-st.header("Evaluación del Modelo")
-st.write("A continuación se muestra el error cuadrático medio de la predicción:")
-rmse = model.evaluate(train[0][:, :, np.newaxis], train[1])[0]
-st.write(f"Error Cuadrático Medio (RMSE): {round(rmse, 4)}")
+if val_train:
+    # Error cuadrático medio (RMSE)
+    st.header("Evaluación del Modelo")
+    st.write("A continuación se muestra el error cuadrático medio de la predicción:")
+    rmse = model.evaluate(train[0][:, :, np.newaxis], train[1])[0]
+    st.write(f"Error Cuadrático Medio (RMSE): {round(rmse, 4)}")
 
 # Gráfico de la desviación
 st.header("Desviación de la Predicción")

forecasting/figure.py

@@ -1,33 +1,40 @@
 import plotly.express as px
+import plotly.graph_objects as go
 
 
 def plot_series(df_series, data_pred, i=0):
     df_plot = df_series.copy()
     df_plot["prediction"] = data_pred[i, : len(df_plot)]
 
-    cols_a_melt = [i, "prediction"]
+    # Define los colores
+    color_map = {str(i): "blue", "prediction": "red"}
 
-    df_long = df_plot.reset_index().melt(
-        id_vars="index", var_name="Serie", value_name="Valor", value_vars=cols_a_melt
-    )
-
-    color_map = {str(i): "blue", "prediction": "red"}  # Real series color  # Prediction color
+    fig = go.Figure()
 
-    fig = px.line(
-        df_long,
-        x="index",
-        y="Valor",
-        color="Serie",
-        title=f"Serie real '{i}' vs Prediction",
-        color_discrete_map=color_map,
+    fig.add_trace(
+        go.Scatter(
+            x=df_plot.index,
+            y=df_plot["prediction"],
+            mode="lines",
+            name="prediction",
+            line=dict(width=2, dash="dashdot", color=color_map["prediction"]),
+        )
     )
-    fig.for_each_trace(
-        lambda trace: (
-            trace.update(line=dict(width=3))
-            if trace.name == str(i)
-            else trace.update(line=dict(width=2, dash="dot"))
+
+    fig.add_trace(
+        go.Scatter(
+            x=df_plot.index,
+            y=df_plot[i],
+            mode="lines",
+            name=str(i),
+            line=dict(width=3, dash="solid", color=color_map[str(i)]),
         )
     )
+
+    fig.update_layout(
+        title=f"Serie real '{i}' vs Prediction", xaxis_title="Index", yaxis_title="Valor"
+    )
+
     return fig
 
 

forecasting/model_tensor.py

@@ -25,7 +25,10 @@ def __init__(self, n_neurons, output_units):
             ]
         )
 
-    def call(self, x):
+    @tf.function(
+        input_signature=[tf.TensorSpec([None, None, 1], tf.float32), tf.TensorSpec([], tf.bool)]
+    )
+    def call(self, x, training=False):
         x = self.network(x)
         return x
 
@@ -98,6 +101,9 @@ def __init__(
             kernel_regularizer=kernel_regularizer,
         )
 
+    @tf.function(
+        input_signature=[tf.TensorSpec([None, None, 1], tf.float32), tf.TensorSpec([], tf.bool)]
+    )
     def call(self, inputs, training=False):
         x = self.conv(inputs)
         x = self.batch_norm(x, training=training)

forecasting/models/model_tensor/fingerprint.pb

@@ -1 +1 @@
-�������
���ҷ�Ҏ�
������ŧF ��������
(���������
2

+Ѣ�����r�������x彻�暎�F �ӏ�����0(���Ҝ����
2

forecasting/models/model_tensor/keras_metadata.pb

@@ -45,12 +45,10 @@ def create_train_test_set(data_series, p_train=0.7, steps=4):
     return [x_train, y_train], [x_test, y_test]
 
 
-def forecasting(model, train, m, scaler, steps=4.0):
-    n = int(train.shape[1])
-    n_periods = int((m - n) / steps)
+def forecasting(model, train, m, scaler, steps=4):
     data_pred = np.copy(train)
 
-    for step_ahead in range(n_periods + 1):
+    for step_ahead in range(steps):
         y_pred_one = model.predict(data_pred[:, step_ahead:], verbose=0)
         data_pred = np.concatenate([data_pred, y_pred_one[:, :, np.newaxis]], axis=1)
     series_pred = scaler.scale(np.copy(data_pred[:, :, 0]))