pymbbo 0.1.7

A modular, scalable AI framework for PyPI with dynamic architecture plugins and benchmarking suite.

PYMBBO ⚡

PYMBBO es un framework modular, intuitivo y de alto rendimiento en Python diseñado para facilitar la experimentación, entrenamiento, evaluación y despliegue de redes neuronales, ofreciendo un sistema Plug-and-Play de Arquitecturas y herramientas avanzadas de Benchmarking y Comparación de Modelos.

---

🔥 Características Principales

1. Gestión de Hiperparámetros (Config / Hyperparameters): Objeto central con acceso tipo atributo/diccionario y guardado/carga en formato JSON.
2. Ingesta y Preparación de Datos (load_dataset, Dataset, Batcher): Carga desde CSV, matrices NumPy, tensores y carpetas, con división de conjuntos (split) y flujo de transformaciones (transform).
3. Construcción y Ensamblado de Redes (build_model): Soporta modo secuencial (add_layer), resúmenes visuales (summary()), congelamiento de capas (freeze_layers) y fine-tuning.
4. Sistema Plug-and-Play de Arquitecturas (pymbbo/architectures/): Agrega nuevas arquitecturas creando una simple subcarpeta. El framework la descubre y registra automáticamente.
5. Entrenamiento Avanzado (fit): Motor de entrenamiento con soporte para Callbacks (EarlyStopping, ModelCheckpoint, LRScheduler).
6. Métricas Especializadas y Benchmarking (token_scaling_benchmark, compare_models): Pruebas automáticas de velocidad de tokens, rendimiento (tokens/seg), latencia, costo estimado y comparación simultánea lado a lado de modelos.
7. Persistencia y Exportación (save, load_model, export): Exportación directa a .mbbo, ONNX y TorchScript.

---

⚡ Instalación Rápida

pip install pymbbo

O desde el código fuente:

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

---

💡 Ejemplo Rápido de Uso

import numpy as np
from pymbbo import Config, load_dataset, build_model, EarlyStopping, ModelCheckpoint

# 1. Configurar Hiperparámetros
config = Config(learning_rate=0.001, batch_size=32, epochs=10)

# 2. Cargar y Preparar Datos
X = np.random.randn(500, 10).astype(np.float32)
Y = np.random.randint(0, 2, (500, 1)).astype(np.float32)
dataset = load_dataset((X, Y))
train_ds, val_ds, test_ds = dataset.split(train=0.8, val=0.1, test=0.1)

# 3. Construir el Modelo (Usando arquitectura incorporada 'mlp')
model = build_model("mlp", input_dim=10, hidden_units=[64, 32], output_dim=1)
model.summary()

# 4. Compilar y Entrenar
model.compile(optimizer="adam", loss_function="bce", metrics=["accuracy"])

callbacks = [
    EarlyStopping(patience=3),
    ModelCheckpoint("best_model.mbbo")
]

model.fit(train_ds, validation_data=val_ds, epochs=10, callbacks=callbacks)

# 5. Inferencia y Evaluación
predicciones = model.predict(test_ds)
reporte = model.evaluate(test_ds)
print("Resultado Evaluación:", reporte)

# 6. Guardar y Exportar
model.save("modelo_final.mbbo")
model.export("modelo.onnx", format="onnx")

---

📖 Documentación Completa

Para acceder al manual completo de desarrollador, explicación detallada de cada módulo y la guía paso a paso para crear plugins de arquitectura, consulta DOCS.md.

---

📄 Licencia

Este proyecto está bajo la Licencia MIT. Consulta el archivo LICENSE para más detalles.