theus-cli-linux-arm64 0.2.84

package/vendor/theus-arsenal/skills/patrones-pytorch/SKILL.md

@@ -0,0 +1,400 @@
+---
+name: patrones-pytorch
+description: Patrones y buenas prácticas de deep learning con PyTorch para construir pipelines de entrenamiento, arquitecturas de modelos y carga de datos robustos, eficientes y reproducibles.
+---
+
+# Patrones de desarrollo con PyTorch
+
+Patrones idiomáticos de PyTorch y buenas prácticas para construir aplicaciones de deep learning robustas, eficientes y reproducibles.
+
+## Cuándo usarla
+
+- Al escribir nuevos modelos o scripts de entrenamiento en PyTorch
+- Al revisar código de deep learning
+- Al depurar bucles de entrenamiento o pipelines de datos
+- Al optimizar el uso de memoria de GPU o la velocidad de entrenamiento
+- Al montar experimentos reproducibles
+
+## Principios fundamentales
+
+### 1. Código agnóstico del dispositivo
+
+Escribe siempre código que funcione tanto en CPU como en GPU sin fijar el dispositivo a mano.
+
+```python
+# Bien: agnóstico del dispositivo
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+model = MyModel().to(device)
+data = data.to(device)
+
+# Mal: dispositivo fijado
+model = MyModel().cuda()  # Falla si no hay GPU
+data = data.cuda()
+```
+
+### 2. Reproducibilidad primero
+
+Fija todas las semillas aleatorias para obtener resultados reproducibles.
+
+```python
+# Bien: configuración completa de reproducibilidad
+def set_seed(seed: int = 42) -> None:
+    torch.manual_seed(seed)
+    torch.cuda.manual_seed_all(seed)
+    np.random.seed(seed)
+    random.seed(seed)
+    torch.backends.cudnn.deterministic = True
+    torch.backends.cudnn.benchmark = False
+
+# Mal: sin control de semillas
+model = MyModel()  # Pesos distintos en cada ejecución
+```
+
+### 3. Gestión explícita de shapes
+
+Documenta y verifica siempre las formas de los tensores.
+
+```python
+# Bien: forward anotado con shapes
+def forward(self, x: torch.Tensor) -> torch.Tensor:
+    # x: (batch_size, channels, height, width)
+    x = self.conv1(x)    # -> (batch_size, 32, H, W)
+    x = self.pool(x)     # -> (batch_size, 32, H//2, W//2)
+    x = x.view(x.size(0), -1)  # -> (batch_size, 32*H//2*W//2)
+    return self.fc(x)    # -> (batch_size, num_classes)
+
+# Mal: sin seguimiento de shapes
+def forward(self, x):
+    x = self.conv1(x)
+    x = self.pool(x)
+    x = x.view(x.size(0), -1)  # ¿De qué tamaño es esto?
+    return self.fc(x)           # ¿Siquiera va a funcionar?
+```
+
+## Patrones de arquitectura de modelos
+
+### Estructura limpia de nn.Module
+
+```python
+# Bien: módulo bien organizado
+class ImageClassifier(nn.Module):
+    def __init__(self, num_classes: int, dropout: float = 0.5) -> None:
+        super().__init__()
+        self.features = nn.Sequential(
+            nn.Conv2d(3, 64, kernel_size=3, padding=1),
+            nn.BatchNorm2d(64),
+            nn.ReLU(inplace=True),
+            nn.MaxPool2d(2),
+        )
+        self.classifier = nn.Sequential(
+            nn.Dropout(dropout),
+            nn.Linear(64 * 16 * 16, num_classes),
+        )
+
+    def forward(self, x: torch.Tensor) -> torch.Tensor:
+        x = self.features(x)
+        x = x.view(x.size(0), -1)
+        return self.classifier(x)
+
+# Mal: todo en forward
+class ImageClassifier(nn.Module):
+    def __init__(self):
+        super().__init__()
+
+    def forward(self, x):
+        x = F.conv2d(x, weight=self.make_weight())  # ¡Crea los pesos en cada llamada!
+        return x
+```
+
+### Inicialización correcta de pesos
+
+```python
+# Bien: inicialización explícita
+def _init_weights(self, module: nn.Module) -> None:
+    if isinstance(module, nn.Linear):
+        nn.init.kaiming_normal_(module.weight, mode="fan_out", nonlinearity="relu")
+        if module.bias is not None:
+            nn.init.zeros_(module.bias)
+    elif isinstance(module, nn.Conv2d):
+        nn.init.kaiming_normal_(module.weight, mode="fan_out", nonlinearity="relu")
+    elif isinstance(module, nn.BatchNorm2d):
+        nn.init.ones_(module.weight)
+        nn.init.zeros_(module.bias)
+
+model = MyModel()
+model.apply(model._init_weights)
+```
+
+## Patrones de bucle de entrenamiento
+
+### Bucle de entrenamiento estándar
+
+```python
+# Bien: bucle de entrenamiento completo con buenas prácticas
+def train_one_epoch(
+    model: nn.Module,
+    dataloader: DataLoader,
+    optimizer: torch.optim.Optimizer,
+    criterion: nn.Module,
+    device: torch.device,
+    scaler: torch.amp.GradScaler | None = None,
+) -> float:
+    model.train()  # Establece siempre el modo de entrenamiento
+    total_loss = 0.0
+
+    for batch_idx, (data, target) in enumerate(dataloader):
+        data, target = data.to(device), target.to(device)
+
+        optimizer.zero_grad(set_to_none=True)  # Más eficiente que zero_grad()
+
+        # Entrenamiento con precisión mixta
+        with torch.amp.autocast("cuda", enabled=scaler is not None):
+            output = model(data)
+            loss = criterion(output, target)
+
+        if scaler is not None:
+            scaler.scale(loss).backward()
+            scaler.unscale_(optimizer)
+            torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
+            scaler.step(optimizer)
+            scaler.update()
+        else:
+            loss.backward()
+            torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
+            optimizer.step()
+
+        total_loss += loss.item()
+
+    return total_loss / len(dataloader)
+```
+
+### Bucle de validación
+
+```python
+# Bien: evaluación correcta
+@torch.no_grad()  # Más eficiente que envolverlo en un bloque torch.no_grad()
+def evaluate(
+    model: nn.Module,
+    dataloader: DataLoader,
+    criterion: nn.Module,
+    device: torch.device,
+) -> tuple[float, float]:
+    model.eval()  # Modo eval siempre — desactiva dropout y usa estadísticas acumuladas de BN
+    total_loss = 0.0
+    correct = 0
+    total = 0
+
+    for data, target in dataloader:
+        data, target = data.to(device), target.to(device)
+        output = model(data)
+        total_loss += criterion(output, target).item()
+        correct += (output.argmax(1) == target).sum().item()
+        total += target.size(0)
+
+    return total_loss / len(dataloader), correct / total
+```
+
+## Patrones de pipeline de datos
+
+### Dataset personalizado
+
+```python
+# Bien: Dataset limpio con anotaciones de tipos
+class ImageDataset(Dataset):
+    def __init__(
+        self,
+        image_dir: str,
+        labels: dict[str, int],
+        transform: transforms.Compose | None = None,
+    ) -> None:
+        self.image_paths = list(Path(image_dir).glob("*.jpg"))
+        self.labels = labels
+        self.transform = transform
+
+    def __len__(self) -> int:
+        return len(self.image_paths)
+
+    def __getitem__(self, idx: int) -> tuple[torch.Tensor, int]:
+        img = Image.open(self.image_paths[idx]).convert("RGB")
+        label = self.labels[self.image_paths[idx].stem]
+
+        if self.transform:
+            img = self.transform(img)
+
+        return img, label
+```
+
+### Configuración eficiente del DataLoader
+
+```python
+# Bien: DataLoader optimizado
+dataloader = DataLoader(
+    dataset,
+    batch_size=32,
+    shuffle=True,            # Barajar para entrenamiento
+    num_workers=4,           # Carga de datos en paralelo
+    pin_memory=True,         # Transferencia CPU->GPU más rápida
+    persistent_workers=True, # Mantiene los workers vivos entre épocas
+    drop_last=True,          # Batches de tamaño constante para BatchNorm
+)
+
+# Mal: valores por defecto lentos
+dataloader = DataLoader(dataset, batch_size=32)  # num_workers=0, sin pin_memory
+```
+
+### Collate personalizado para datos de longitud variable
+
+```python
+# Bien: rellenar secuencias en collate_fn
+def collate_fn(batch: list[tuple[torch.Tensor, int]]) -> tuple[torch.Tensor, torch.Tensor]:
+    sequences, labels = zip(*batch)
+    # Rellena hasta la longitud máxima del batch
+    padded = nn.utils.rnn.pad_sequence(sequences, batch_first=True, padding_value=0)
+    return padded, torch.tensor(labels)
+
+dataloader = DataLoader(dataset, batch_size=32, collate_fn=collate_fn)
+```
+
+## Patrones de checkpointing
+
+### Guardar y cargar checkpoints
+
+```python
+# Bien: checkpoint completo con todo el estado de entrenamiento
+def save_checkpoint(
+    model: nn.Module,
+    optimizer: torch.optim.Optimizer,
+    epoch: int,
+    loss: float,
+    path: str,
+) -> None:
+    torch.save({
+        "epoch": epoch,
+        "model_state_dict": model.state_dict(),
+        "optimizer_state_dict": optimizer.state_dict(),
+        "loss": loss,
+    }, path)
+
+def load_checkpoint(
+    path: str,
+    model: nn.Module,
+    optimizer: torch.optim.Optimizer | None = None,
+) -> dict:
+    checkpoint = torch.load(path, map_location="cpu", weights_only=True)
+    model.load_state_dict(checkpoint["model_state_dict"])
+    if optimizer:
+        optimizer.load_state_dict(checkpoint["optimizer_state_dict"])
+    return checkpoint
+
+# Mal: guardar solo los pesos (no se puede reanudar el entrenamiento)
+torch.save(model.state_dict(), "model.pt")
+```
+
+## Optimización de rendimiento
+
+### Entrenamiento con precisión mixta
+
+```python
+# Bien: AMP con GradScaler
+scaler = torch.amp.GradScaler("cuda")
+for data, target in dataloader:
+    with torch.amp.autocast("cuda"):
+        output = model(data)
+        loss = criterion(output, target)
+    scaler.scale(loss).backward()
+    scaler.step(optimizer)
+    scaler.update()
+    optimizer.zero_grad(set_to_none=True)
+```
+
+### Gradient checkpointing para modelos grandes
+
+```python
+# Bien: intercambiar cómputo por memoria
+from torch.utils.checkpoint import checkpoint
+
+class LargeModel(nn.Module):
+    def forward(self, x: torch.Tensor) -> torch.Tensor:
+        # Recalcula las activaciones durante el backward para ahorrar memoria
+        x = checkpoint(self.block1, x, use_reentrant=False)
+        x = checkpoint(self.block2, x, use_reentrant=False)
+        return self.head(x)
+```
+
+### torch.compile para velocidad
+
+```python
+# Bien: compila el modelo para ejecución más rápida (PyTorch 2.0+)
+model = MyModel().to(device)
+model = torch.compile(model, mode="reduce-overhead")
+
+# Modos: "default" (seguro), "reduce-overhead" (más rápido), "max-autotune" (el más rápido)
+```
+
+## Referencia rápida: modismos de PyTorch
+
+| Modismo | Descripción |
+|---------|-------------|
+| `model.train()` / `model.eval()` | Establece siempre el modo antes de entrenar/evaluar |
+| `torch.no_grad()` | Desactiva gradientes para inferencia |
+| `optimizer.zero_grad(set_to_none=True)` | Limpieza de gradientes más eficiente |
+| `.to(device)` | Colocación de tensores/modelos agnóstica del dispositivo |
+| `torch.amp.autocast` | Precisión mixta para 2x de velocidad |
+| `pin_memory=True` | Transferencia de datos CPU→GPU más rápida |
+| `torch.compile` | Compilación JIT para velocidad (2.0+) |
+| `weights_only=True` | Carga segura de modelos |
+| `torch.manual_seed` | Experimentos reproducibles |
+| `gradient_checkpointing` | Intercambia cómputo por memoria |
+
+## Antipatrones a evitar
+
+```python
+# Mal: olvidar model.eval() durante la validación
+model.train()
+with torch.no_grad():
+    output = model(val_data)  # ¡Dropout sigue activo! ¡BatchNorm usa estadísticas del batch!
+
+# Bien: modo eval siempre
+model.eval()
+with torch.no_grad():
+    output = model(val_data)
+
+# Mal: operaciones in-place que rompen autograd
+x = F.relu(x, inplace=True)  # Puede romper el cálculo de gradientes
+x += residual                  # La suma in-place rompe el grafo de autograd
+
+# Bien: operaciones out-of-place
+x = F.relu(x)
+x = x + residual
+
+# Mal: mover datos a la GPU repetidamente dentro del bucle de entrenamiento
+for data, target in dataloader:
+    model = model.cuda()  # ¡Mueve el modelo en CADA iteración!
+
+# Bien: mover el modelo una sola vez antes del bucle
+model = model.to(device)
+for data, target in dataloader:
+    data, target = data.to(device), target.to(device)
+
+# Mal: usar .item() antes del backward
+loss = criterion(output, target).item()  # ¡Desconecta del grafo!
+loss.backward()  # Error: no se puede retropropagar a través de .item()
+
+# Bien: llamar .item() solo para registrar métricas
+loss = criterion(output, target)
+loss.backward()
+print(f"Pérdida: {loss.item():.4f}")  # .item() después del backward está bien
+
+# Mal: no usar torch.save correctamente
+torch.save(model, "model.pt")  # Guarda el modelo entero (frágil, no portable)
+
+# Bien: guardar el state_dict
+torch.save(model.state_dict(), "model.pt")
+```
+
+__Recuerda__: el código PyTorch debe ser agnóstico del dispositivo, reproducible y consciente de la memoria. Ante la duda, perfila con `torch.profiler` y revisa la memoria de GPU con `torch.cuda.memory_summary()`.
+
+## Componentes relacionados
+
+- Agente `resolutor-builds-pytorch` — para resolver errores de build/entorno de PyTorch
+- Agente `revisor-ml` — para revisiones de código de machine learning