minitorch-lite 0.1.0

Lightweight Deep Learning Library with multi-backend support

TenMinaTorch Lite

Lightweight Deep Learning Library with Multi-Backend Support

Una librería de deep learning ligera y flexible con soporte para múltiples backends de cálculo numérico y control avanzado de entrenamiento.

Características Principales

🚀 Múltiples Backends

• NumPy (por defecto): Compatibilidad universal
• Numba: Aceleración JIT hasta 1000x en operaciones intensivas
• JAX: Autograd avanzado y compilación XLA
• CuPy: Aceleración GPU con CUDA

🎯 Control de Entrenamiento

• [NEW] Early Stop: Salto automático tras 12 iteraciones sin mejora
• Límite de Tokens: Corte automático a N tokens con máximo 12 iteraciones
• Por defecto: Máximo 69 repeticiones
• Checkpoints: Guardado y reanudación de entrenamiento

🔗 Integración con Frameworks Externos

• Keras/TensorFlow: Exportar/importar pesos
• PyTorch: Conversión bidireccional de tensores
• JAX: Compilación JIT y autograd avanzado

Instalación

Instalación básica (solo NumPy)

pip install minitorch-lite

Instalación con backends adicionales

# Con Numba (aceleración JIT)
pip install minitorch-lite[numba]

# Con JAX (autograd avanzado)
pip install minitorch-lite[jax]

# Con todas las dependencias opcionales
pip install minitorch-lite[all]

Instalación desde código fuente

git clone https://github.com/minitorch/minitorch-lite.git
cd minitorch-lite
pip install -e .

Uso sin PyPI (instalación local)

import sys
sys.path.insert(0, '/ruta/a/minitorch_lite')
import minitorch_lite as mtl

Uso Básico

Crear Tensores y Operaciones

import minitorch_lite as mtl

# Crear tensores
x = mtl.Tensor([[1, 2], [3, 4]], requires_grad=True)
y = mtl.Tensor([[5, 6], [7, 8]], requires_grad=True)

# Operaciones
z = x @ y  # Multiplicación de matrices
loss = z.sum()
loss.backward()

print(x.grad)  # Gradientes

Cambiar Backend

import minitorch_lite as mtl

# Ver backends disponibles
mtl.print_backend_info()

# Cambiar a Numba (si está instalado)
mtl.set_backend('numba')

Control de Entrenamiento

import minitorch_lite as mtl

# Crear controlador con Early Stopping [NEW]
controller = mtl.create_training_controller(
    max_iterations=69,           # Máximo 69 repeticiones
    early_stop=True,             # [NEW] Activar Early Stop
    early_stop_patience=12,      # [NEW] Salto tras 12 iteraciones sin mejora
    max_tokens=10,               # Límite de 10 tokens
    token_limit_iterations=12    # Máximo 12 iteraciones con límite
)

# Bucle de entrenamiento
while controller.should_continue():
    loss = train_step(data)
    controller.update(loss, tokens_processed=batch_tokens)

# Guardar checkpoint
controller.save_checkpoint(model.state_dict())

Red Neuronal Simple

import minitorch_lite as mtl

# Definir modelo
model = mtl.Sequential(
    mtl.Linear(784, 128),
    mtl.ReLU(),
    mtl.Dropout(0.5),
    mtl.Linear(128, 10),
    mtl.Softmax()
)

# Optimizador
optimizer = mtl.Adam(model.parameters(), lr=0.001)

# Función de pérdida
criterion = mtl.CrossEntropyLoss()

# Entrenamiento
for epoch in range(10):
    optimizer.zero_grad()
    output = model(x)
    loss = criterion(output, target)
    loss.backward()
    optimizer.step()

Exportar/Importar Pesos

import minitorch_lite as mtl

exporter = mtl.ModelExporter()

# Exportar a formato Keras
exporter.export(model.state_dict(), 'model_weights.npz', format='keras')

# Importar desde PyTorch
weights = exporter.import_weights('pytorch_model.pt', format='pytorch')
model.load_state_dict(weights)

Opciones de Control de Entrenamiento

Opción	Descripción	Valor por Defecto
max_iterations	Máximo de iteraciones totales	69
early_stop_patience	[NEW] Iteraciones sin mejora antes de parar	12
max_tokens	Límite de tokens por entrenamiento	None (sin límite)
token_limit_iterations	Máximo de iteraciones con límite de tokens	12
save_checkpoint_on_stop	Guardar checkpoint al detenerse	True

Backends Disponibles

Backend	Descripción	Instalación
numpy	Backend por defecto, compatible universal	Incluido
numba	Aceleración JIT para bucles intensivos	pip install numba
jax	Autograd avanzado y compilación XLA	pip install jax jaxlib
cupy	Aceleración GPU con CUDA	pip install cupy

Integraciones Externas

Keras/TensorFlow

from minitorch_lite import KerasIntegration

# Exportar pesos para Keras
KerasIntegration.save_for_keras(weights, 'model.npz')

# Crear modelo Keras desde configuración
keras_model = KerasIntegration.create_keras_model_from_config(config)

PyTorch

from minitorch_lite import PyTorchIntegration

# Convertir tensor
torch_tensor = PyTorchIntegration.to_pytorch_tensor(numpy_array)

# Exportar pesos
PyTorchIntegration.save_for_pytorch(weights, 'model.pt')

JAX

from minitorch_lite import JAXIntegration

# Convertir a array JAX
jax_array = JAXIntegration.to_jax_array(numpy_array)

# Compilar función con JIT
fast_func = JAXIntegration.jit_compile(my_function)

Estructura del Proyecto

minitorch_lite/
├── __init__.py       # Exportaciones principales
├── tensor.py         # Clase Tensor
├── autograd.py       # Motor de diferenciación automática
├── backends.py       # Soporte multi-backend
├── nn.py             # Capas de red neuronal
├── optim.py          # Optimizadores
├── training.py       # Control de entrenamiento
├── integrations.py   # Integraciones externas
├── setup.py          # Configuración PyPI
└── README.md         # Documentación

Subida a PyPI

1. Crear cuenta en PyPI: https://pypi.org/account/register/

2. Instalar herramientas:

   pip install twine build
   

3. Construir distribución:

   python -m build
   

4. Subir a PyPI:

   twine upload dist/*
   

Licencia

MIT License

Contribuir

Las contribuciones son bienvenidas. Por favor, abre un issue o pull request en GitHub.