Mini Torch from Scratch

Un petit framework Python, sans dependance externe, pour l'autodiff scalaire et les reseaux fully connected (MLP). Il ne fournit pas encore de couches CNN.

Installation

python -m pip install mini-torch-from-scratch

Le nom du paquet sur PyPI est mini-torch-from-scratch. Le nom d'import Python reste mini_torch.

Exemple

from mini_torch import Couche, MLP, Neuron, Nombre

reseau = MLP(
    [
        Couche([Neuron([0.5, -0.2], 0.1)]),
        Couche([Neuron([0.8], 0.0)]),
    ]
)

sortie = reseau.propager([2.0, 1.0])[0]
perte = (sortie - 1.0) ** 2
perte.backward()

for parametre in reseau.parameters():
    parametre.h_val -= 0.01 * parametre.b_val

Nombre.backward() calcule les gradients et les accumule sur les feuilles du graphe. Remets les gradients des parametres a zero avant une nouvelle etape d'optimisation si tu ne veux pas les accumuler.

Pour voir un exemple d'entrainement complet depuis le depot :

python -m examples.entrainement

Tests

Depuis la racine du depot :

python -m unittest discover -s tests

Construire et publier sur PyPI

La publication n'est pas automatique. Pour publier toi-meme :

1. Remplace le titulaire fictif dans LICENSE par ton nom ou celui de ton organisation, puis cree un compte PyPI et verifie que le nom mini-torch-from-scratch est toujours disponible. Sa disponibilite peut changer.

2. Depuis la racine du depot, construis et verifies les distributions :

   python -m pip install --upgrade build twine
   python -m build
   python -m twine check dist/*
   

3. Configure tes identifiants PyPI selon la documentation officielle de Twine, puis envoie les distributions :

   python -m twine upload dist/*
   

Ne place pas de jeton PyPI dans le code source ni dans le depot. Augmente la version dans pyproject.toml avant chaque nouvelle publication.