Starling ML 0.3.0

Небольшой конфигурируемый движок для PyTorch. Пользователь импортирует Engine, получает обычный словарь стандартного конфига, меняет параметры и запускает его. Математика, загрузка данных, оптимизация и мониторинг остаются отдельными модулями.

Быстрый запуск

Python >= 3.10; основная проверка выполнена на Python 3.12, PyTorch CPU.

python -m pip install starling-ml

from starling_ml import Engine, get_config, analyze_config

config = get_config("weighted_segmentation", max_steps=5)
config["modules"]["optimizer"]["params"]["lr"] = 3e-4

report = analyze_config(config)
print(report)
report.raise_for_errors()
engine = Engine(config).run()

Стандартные конфиги используют маленькие синтетические datasets и модели. Они проверяют исполнимость сценария, но не заменяют подготовку реального dataset. Никакие модели не скачиваются. Для работы с detection-рецептами установите python -m pip install 'starling-ml[detection]'.

CLI использует тот же API:

starling-ml --recipe weighted_segmentation --analyze-only
starling-ml --recipe segmentation_validation --steps 3
starling-ml --config experiment.yaml

Python-модуль называется starling_ml: имя starling уже занято другим проектом в PyPI, поэтому Starling ML не захватывает чужое пространство импортов.

Конфигурация

Четыре основные секции: constants, modules, contracts, pipeline. Необязательная metadata описывает задачу, class mapping, background и statistics. Engine(config) принимает dict, путь к единому YAML или каталог старых четырёх YAML. get_config() каждый раз возвращает независимый словарь.

from starling_ml import get_config, save_config, Engine
config = get_config("classification")
save_config(config, "experiment.yaml")
Engine("experiment.yaml").run()

Ссылки $const:name и $ctx:key разрешаются в setup. Runtime-параметры вроде prediction="model.output" обозначают context keys и читаются при вызове модуля. Контракт объявляет creates, reads, updates и mutates. Setup сортируется по зависимостям $ctx; runtime pipeline выполняется в записанном пользователем порядке. Конфиги с пользовательскими import paths должны быть доверенными Python-конфигами.

Стандартные сценарии

Для последних двух: python -m pip install '.[detection]'. Внешние SMP, MONAI, Transformers, Diffusers, nnU-Net и логгеры подключаются лениво. Матрица реальных возможностей и границ — в INTEGRATIONS.md.

Подключение своих данных и моделей

В стандартном конфиге замените factory и kwargs модуля dataset на import path вашего map-style dataset; каждая запись должна иметь input и target (или измените batch.params.outputs). BatchSource поддерживает batch size, shuffle, seed, cycle, drop_last и пользовательский collate_fn callable/import path. Для ragged targets используйте явный collate: padding никогда не добавляется скрыто. Затем замените model.params.factory и model.params.kwargs на свой torch.nn.Module.

PrepareModel переносит модель на устройство до создания optimizer; модули MoveToDevice переносят вложенные batches, сохраняя целочисленные labels. При замене outputs обновляйте также contracts и параметры consumers.

Проверка конфигурации

analyze_config() возвращает ошибки, предупреждения, непроверенные условия и сводку objectives. Engine автоматически блокирует структурные ошибки; предупреждения пользователь печатает через report. После setup доступны dataset metadata:

engine = Engine(config).setup()
report = analyze_config(config, metadata=engine.context.data.get("data.statistics"))
print(report)
report.raise_for_errors()
engine.run()

batch=engine.context.data дополнительно проверяет опубликованные runtime outputs. Анализатор не потребляет batch, не делает optimizer step и не меняет формулу. Полное описание предупреждений — в CONFIG_ANALYZER.md.

Checkpoint и параллельность

from starling_ml.checkpoint import save_checkpoint, load_checkpoint
save_checkpoint(engine, "checkpoint.pt")
config["constants"]["max_steps"] = 10
resumed = load_checkpoint(Engine(config), "checkpoint.pt").run()

Восстанавливаются состояния модулей, моделей, optimizer, scaler, counters, controllers, RNG и cursor встроенного BatchSource. Сохранять можно только на границе optimizer step. Чужие checkpoints не загружайте: полный training state использует Python serialization.

Exact accumulation объединяет достаточные stats objective и сохраняет графы всех microbatches до backward. Это требует больше памяти. Старое усреднение microbatch losses доступно как accumulation_mode="micro_mean". Для внешнего scalar в exact режиме нужен явный normalizer или собственный Objective. Подробности — в LOSS_WEIGHTING.md.

examples/train_distributed.py — DDP через torchrun. examples/check_ddp.py — проверка loss и gradients на двух Gloo ranks. В текущей среде сокеты запрещены, поэтому DDP не отмечен как прошедший проверку. launcher.run_experiments запускает независимые эксперименты в spawn-процессах; этот путь проверен. Каждый config задаёт собственный seed/device; launcher разделяет рабочие каталоги и outputs.

Документы для передачи следующему разработчику

Начать с HANDOFF.md, затем PHILOSOPHY.md, LOSS_WEIGHTING.md, CONFIG_ANALYZER.md. MIGRATION.md описывает отличия от 0.2. VALIDATION_REPORT.md отделяет выполненные проверки от ограничений. RESUME_NOTES.md фиксирует состояние и следующие работы. AUDIT_v0.2.0.md и WEIGHTING_DESIGN.md — исторические материалы, не описание API.

Разработка и безопасность

Инструкции для изменений находятся в CONTRIBUTING.md, история релизов — в CHANGELOG.md. Проект распространяется по лицензии MIT. Конфиги содержат Python import paths, а checkpoints используют PyTorch serialization: загружайте их только из доверенных источников. Уязвимости следует сообщать через GitHub private vulnerability reporting, как описано в SECURITY.md.