IA¶
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.
WSBuilder incluye herramientas sencillas de data science y redes neuronales hechas desde cero.
Bloques¶
DataSetDataSummaryErrorSummaryDenseLayerNeuralNetworkPredictordescribe_dataevaluate_errorssubmit_training_taskByteTokenizerHashingTextVectorizerAudioData,load_wav,audio_featuresNeuralNetwork.save,NeuralNetwork.load(NDJSON)- Modelos de lenguaje:
ByteLanguageModel(motor nativo),ModelStore,LanguageModel,ModelReader,ModelWriter
Texto, tokens y audio¶
La IA acepta texto Unicode, incluidos idiomas sin espacios, emoji y codigo, mediante tokens UTF-8 reversibles y vectores numericos de caracteres. Tambien convierte audio WAV PCM en muestras mono y caracteristicas numericas para entrenar o ejecutar las redes existentes. Todo funciona con la biblioteca estandar, sin descargar modelos ni enviar datos a servicios externos.
Consulta los ejemplos de texto y audio. Estos adaptadores preparan datos: no incorporan un modelo de conversacion, traduccion, reconocimiento de voz, generacion de audio, imagen o video.
Modelos y pesos en NDJSON¶
wsbuilder guarda todos los modelos en un unico formato: un archivo
NDJSON cuya primera linea describe el
modelo y cada linea siguiente contiene un tensor de pesos. Para texto existe
ByteLanguageModel, el modelo de lenguaje nativo de wsbuilder: se entrena,
genera texto y conversa en Python puro, sin motores externos. Con
wsbuilder.llm los modelos se guardan, descargan (con verificacion
SHA-256), ejecutan y sirven por HTTP con una API compatible con OpenAI.
Las redes propias se guardan y cargan en ese formato:
network.save("modelo.ndjson", name="mi-red")
network = NeuralNetwork.load("modelo.ndjson")
Datos¶
from wsbuilder import DataSet, describe_data, evaluate_errors
dataset = DataSet([[1, 2], [2, 3], [3, 4]], [[0], [1], [1]])
train, test = dataset.split(train_ratio=0.67, shuffle=True, seed=42)
summary = describe_data([1.0, 1.2, 0.9, 1.1])
errors = evaluate_errors([10.0, 11.0], [9.8, 11.4], permissible_error=0.5)
Red neuronal¶
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")
Entrenamiento:
history = net.fit_classification(
[[0, 0], [0, 1], [1, 0], [1, 1]],
["no", "yes", "yes", "no"],
epochs=3000,
batch_size=4,
shuffle=False,
)
Prediccion simple¶
Predictor ofrece una alternativa aun mas ligera para regresion lineal basica:
from wsbuilder import Predictor
model = Predictor()
model.fit([[1, 2], [2, 3], [3, 4]], [[2], [3], [4]])
pred, std, lim_inf, lim_sup = model.predict([4, 5])
Trabajo en background¶
from wsbuilder import TaskManager, submit_training_task
tasks = TaskManager(max_concurrent=1)
task = submit_training_task(tasks, net, [[0, 0], [0, 1]], ["no", "yes"], classification=True)
history = task.get(timeout=10)
Recomendacion¶
Si quieres usar estas piezas en serio, manten el entrenamiento pequeno y determinista. Para uso mas amplio, el modulo sirve mejor como base educativa o prototipo rapido que como reemplazo de librerias especializadas.