Tenminator 2

Framework de Deep Learning Ultraligero — pip install Tenminator2

Framework de entrenamiento e inferencia de modelos de lenguaje, diseñado para dispositivos con recursos limitados.

Instalación

pip install Tenminator2
# Con soporte numba (aceleración CPU):
pip install Tenminator2[numba]
# Con soporte JAX:
pip install Tenminator2[jax]

Inicio Rápido

import Tenminator2 as tm

# Crear un modelo simple
model = tm.Sequential(
    tm.Linear(784, 256),
    tm.ReLU(),
    tm.Dropout(p=0.2),
    tm.Linear(256, 10),
)

# Tensor de entrada
x = tm.Tensor([[1.0, 2.0, 3.0]])
out = model(x)
print(out.shape)

Módulos Disponibles

Optimizadores

optimizer = tm.Adam(model.parameters(), lr=1e-3)
optimizer.step()
optimizer.zero_grad()

Backends

tm.set_backend("numpy")   # Por defecto
tm.set_backend("numba")   # Aceleración CPU
tm.set_backend("jax")     # JAX/XLA
tm.print_backend_info()

Transformer

block = tm.TransformerBlock(
    embed_dim=512,
    num_heads=8,
    ff_dim=2048,
    dropout=0.1,
    norm_type="layer",  # o "rms" para RMSNorm
)

Steering y Corrección de Sesgos

import numpy as np

# Aplicar steering vector a una capa
sv = np.random.randn(256)
with tm.SteeringHook(model._modules["0"], sv, strength=0.1):
    output = model(x)

# Corrección de sesgos durante inferencia
cv = np.zeros(256)
with tm.BiasCorrector(model._modules["0"], cv, strength=0.05):
    prediction = model(input_data)

Entrenamiento

config = tm.TrainingConfig(
    max_iterations=100,
    early_stop_patience=12,
    checkpoint_dir="./checkpoints",
)

controller = tm.TrainingController(model, optimizer, loss_fn, config)

for data in dataloader:
    if not controller.should_continue():
        break
    loss = train_step(data)
    controller.update(loss)

CLI

Tenminator2 info
Tenminator2 train --data data.csv --config config.json
Tenminator2 evaluate --model checkpoint.pth --data test.csv

Licencia

MIT — github.com/yoqer/Tenminator2