IA y Prediccion¶
Experimental
Los modulos de IA y modelos de lenguaje (ia, ia_lm, ia_text,
ia_audio, predicts, llm, ndjson_model) son experimentales: su API y
sus formatos pueden cambiar entre versiones menores sin periodo de
transicion, a diferencia del nucleo HTTP/WebSocket. Fija la version
(wsbuilder==X.Y.*) si dependes de ellos y revisa el
registro de cambios al actualizar.
DataSet¶
DataSet es el contenedor basico para pares X y Y.
from wsbuilder import DataSet
dataset = DataSet(
[[1, 2], [2, 3], [3, 4], [4, 5]],
[[0], [1], [1], [1]],
)
train, test = dataset.split(train_ratio=0.75, shuffle=False)
Metodos utiles:
sample_count,feature_count,target_countcopy(),as_xy()shuffle(),split(),batches()describe_features(),describe_targets()standardize(),normalize_min_max()
split() puede mezclar datos con shuffle=True y seed para resultados
repetibles. batches() permite entrenar por lotes.
NeuralNetwork¶
La red neuronal es completamente Python puro.
from wsbuilder import NeuralNetwork
net = NeuralNetwork(
seed=7,
learning_rate=0.3,
loss="binary_cross_entropy",
task="classification",
)
net.add_dense(6, input_size=2, activation="tanh")
net.add_dense(1, activation="sigmoid")
history = net.fit(
[[0, 0], [0, 1], [1, 0], [1, 1]],
[[0], [1], [1], [0]],
epochs=5000,
batch_size=4,
shuffle=False,
)
Capacidades mas visibles:
fitpara regresion.fit_classificationpara etiquetas simbolicas.predict,predict_batch,predict_proba,predict_class.evaluate,accuracy,classification_metrics.predict_with_metricspara reportes de error y confianza.
Activaciones soportadas por la red:
linearsigmoidtanhreluleaky_relusoftmax
Losses soportadas:
msebinary_cross_entropycategorical_cross_entropy
DenseLayer¶
DenseLayer permite definir capas manuales y se usa como bloque interno del
NeuralNetwork.
Tambien puedes crear capas con net.add_dense(units, input_size=..., activation=...),
que es la forma mas directa para usuarios de la libreria.
Estadistica y error¶
Helpers exportados:
describe_data(values)evaluate_errors(expected, predicted, permissible_error=...)
Devuelven DataSummary y ErrorSummary, ambos con la propiedad uncertainty.
Entrenamiento en background¶
from wsbuilder import NeuralNetwork, TaskManager, submit_training_task
X = [[0, 0], [0, 1], [1, 0], [1, 1]]
labels = ["no", "yes", "yes", "no"]
net = NeuralNetwork(
seed=7,
learning_rate=0.3,
loss="binary_cross_entropy",
task="classification",
)
net.add_dense(6, input_size=2, activation="tanh")
net.add_dense(1, activation="sigmoid")
tasks = TaskManager(max_concurrent=1)
task = submit_training_task(
tasks,
net,
X,
labels,
classification=True,
epochs=1000,
batch_size=4,
shuffle=False,
name="ia-train",
)
history = task.get(timeout=5)
Texto Unicode y tokens¶
ByteTokenizer representa texto como IDs de bytes UTF-8 entre 0 y 255. No
necesita vocabulario entrenado y conserva exactamente el texto valido, incluidos
acentos, arabe, chino, emoji y codigo fuente. No aplica normalizacion. Estos IDs
no son los tokens de un modelo externo ni una estimacion de su facturacion.
from wsbuilder import ByteTokenizer
tokenizer = ByteTokenizer(max_bytes=1_000_000)
text = "Hola, 世界! مرحبا 👋\nprint('hola')"
tokens = tokenizer.encode(text)
assert tokenizer.decode(tokens) == text
assert tokenizer.vocab_size == 256
encode rechaza texto que exceda max_bytes; decode rechaza secuencias
demasiado largas, IDs no enteros o fuera de rango y bytes que no formen UTF-8
valido. Un token individual puede ser solo parte de un caracter multibyte:
decodifica secuencias completas. No pases IDs de longitud variable directamente
a una capa densa de dimension fija.
Vectores de texto para la red¶
HashingTextVectorizer convierte ngramas de caracteres Unicode en vectores de
dimension fija usando un hash estable. Funciona tambien con idiomas que no
separan palabras con espacios; no necesita fit ni un vocabulario mutable.
Dos ngramas pueden caer en la misma posicion (colisiones). Estos vectores
describen patrones de caracteres, no son embeddings semanticos preentrenados.
from wsbuilder import DataSet, HashingTextVectorizer, NeuralNetwork
vectorizer = HashingTextVectorizer(n_features=64, ngram_range=(1, 3))
texts = ["hola", "buen dia", "adios", "hasta luego"]
X = vectorizer.transform_batch(texts)
dataset = DataSet(X, [[1], [1], [0], [0]])
model = NeuralNetwork(
seed=7, learning_rate=0.3,
loss="binary_cross_entropy", task="classification",
)
model.add_dense(8, input_size=64, activation="tanh")
model.add_dense(1, activation="sigmoid")
model.fit_classification(
dataset.X, ["saludo", "saludo", "despedida", "despedida"],
epochs=300, batch_size=4, shuffle=False,
)
label = model.predict_class(vectorizer.transform("hola"))
Este conjunto diminuto ilustra la API; no demuestra comprension del lenguaje ni
generalizacion a otros idiomas. Conserva la misma configuracion del vectorizador
en entrenamiento e inferencia. El texto vacio produce un vector de ceros.
max_chars limita la longitud por texto (100 000 por defecto).
Por defecto se aplica casefold (lowercase=True), normalizacion Unicode NFC
y norma euclidea unitaria (normalize=True). NFC se aplica incluso con
lowercase=False; el tokenizador reversible no realiza estas transformaciones.
n_features admite 1 a 65 536 y los extremos de ngram_range, 1 a 8.
transform_batch no limita el numero de documentos: procesa tus colecciones
en lotes acotados.
Audio WAV y caracteristicas¶
load_wav lee una ruta o un archivo binario seekable con WAV PCM entero de
8, 16, 24 o 32 bits. Convierte los canales a mono mediante su promedio: canales
en contrafase pueden cancelarse. No remuestrea ni decodifica MP3, AAC o audio
comprimido. No cierra el archivo proporcionado por el llamador.
from wsbuilder import AudioData, NeuralNetwork, audio_features, load_wav
audio = load_wav("grabacion.wav", max_frames=1_000_000, max_channels=8)
features = audio_features(audio)
# Orden: duracion en segundos, media, RMS, pico absoluto, cruces por cero.
assert len(features) == 5
silence = AudioData(samples=(0.0,) * 8000, sample_rate=8000)
assert audio_features(silence) == [1.0, 0.0, 0.0, 0.0, 0.0]
audio_model = NeuralNetwork(seed=7)
audio_model.add_dense(1, input_size=5, activation="linear")
# Entrenar audio_model.fit(...) con ejemplos y objetivos propios antes de inferir.
Los limites de frames y canales se verifican antes de leer las muestras; los
archivos truncados se rechazan. Un frame contiene una muestra por canal, por lo
que un millon de frames equivale aproximadamente a 20,8 segundos a 48 kHz.
AudioData contiene una tupla de muestras mono finitas entre -1 y 1 y una
frecuencia entera en Hz positiva. duration devuelve la duracion en segundos;
una tupla vacia produce cinco caracteristicas cero. Los cruces por cero son
la fraccion de pares adyacentes que cambian de signo, considerando cero positivo.
Las caracteristicas resumen amplitud y duracion: no transcriben voz, reconocen
idiomas ni generan audio. Usa la misma frecuencia de muestreo para comparar
tasas de cruces por cero; divide los datos de entrenamiento y evaluacion por
grabacion para evitar evaluar sobre fragmentos del mismo audio.
Texto y audio pueden combinarse concatenando sus vectores y configurando
input_size con la suma de dimensiones. Entrena con ejemplos emparejados y
escalas consistentes; concatenar vectores no aporta por si solo comprension
multimodal. Los adaptadores no cambian las condiciones de concurrencia de
NeuralNetwork: evita compartir una instancia entre entrenamientos e
inferencias simultaneos.
Predictor¶
Predictor es una utilidad matematica aparte para regresion lineal simple.
from wsbuilder import Predictor
predictor = Predictor()
predictor.fit([[1], [2], [3], [4]], [[2], [4], [6], [8]])
prediction, sigma, lower, upper = predictor.predict([5])
Es util cuando quieres prediccion rapida sin configurar una red neuronal.
Despues de fit, la instancia expone informacion como rank, coeficientes y
residuos internos usados para calcular desviacion e intervalo estimado.