NeuralNetworks 0.2.2__tar.gz → 0.2.3__tar.gz

This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.
Files changed (32) hide show
  1. neuralnetworks-0.2.3/PKG-INFO +172 -0
  2. neuralnetworks-0.2.3/README.md +142 -0
  3. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/MLP/__init__.py +3 -3
  4. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/__init__.py +2 -7
  5. neuralnetworks-0.2.3/src/NeuralNetworks.egg-info/PKG-INFO +172 -0
  6. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks.egg-info/SOURCES.txt +1 -5
  7. neuralnetworks-0.2.2/PKG-INFO +0 -194
  8. neuralnetworks-0.2.2/README.md +0 -164
  9. neuralnetworks-0.2.2/src/NeuralNetworks/tools/AirfRANS.py +0 -36
  10. neuralnetworks-0.2.2/src/NeuralNetworks/tools/MNIST.py +0 -118
  11. neuralnetworks-0.2.2/src/NeuralNetworks/tools/VKI-LS59.py +0 -7
  12. neuralnetworks-0.2.2/src/NeuralNetworks/tools/image.py +0 -249
  13. neuralnetworks-0.2.2/src/NeuralNetworks.egg-info/PKG-INFO +0 -194
  14. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/LICENSE +0 -0
  15. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/pyproject.toml +0 -0
  16. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/setup.cfg +0 -0
  17. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/Dependances/__init__.py +0 -0
  18. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/Dependances/matplot.py +0 -0
  19. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/Dependances/pytorch.py +0 -0
  20. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/MLP/FourierFeatures.py +0 -0
  21. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/MLP/Layers.py +0 -0
  22. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/MLP/inference.py +0 -0
  23. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/Trainer/__init__.py +0 -0
  24. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/Trainer/dynamic_learning_rate.py +0 -0
  25. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/Trainer/sample_data.py +0 -0
  26. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/Trainer/train.py +0 -0
  27. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/UI/Learnings.py +0 -0
  28. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/UI/Losses.py +0 -0
  29. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/UI/__init__.py +0 -0
  30. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks.egg-info/dependency_links.txt +0 -0
  31. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks.egg-info/requires.txt +0 -0
  32. {neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks.egg-info/top_level.txt +0 -0
neuralnetworks-0.2.3/PKG-INFO ADDED
@@ -0,0 +1,172 @@
1
+ Metadata-Version: 2.4
2
+ Name: NeuralNetworks
3
+ Version: 0.2.3
4
+ Summary: Multi-Layer Perceptrons with multi-Fourier encoding, variable learning rate, visualization and PyTorch compilation
5
+ Author-email: Alexandre Brun <alexandre51160@gmail.com>
6
+ License: GPL-3.0-or-later
7
+ Project-URL: Documentation, https://xxxfetraxxx.github.io/NeuralNetworks/
8
+ Project-URL: Source, https://github.com/xXxFetraxXx/NeuralNetworks
9
+ Classifier: Programming Language :: Python :: 3
10
+ Classifier: License :: OSI Approved :: GNU General Public License v3 or later (GPLv3+)
11
+ Classifier: Operating System :: OS Independent
12
+ Requires-Python: >=3.9
13
+ Description-Content-Type: text/markdown
14
+ License-File: LICENSE
15
+ Requires-Dist: numpy>=1.25
16
+ Requires-Dist: matplotlib>=3.10
17
+ Requires-Dist: tqdm>=4.66
18
+ Requires-Dist: torch<3.0,>=2.9.1
19
+ Requires-Dist: torchvision<1.0,>=0.24
20
+ Requires-Dist: torchaudio<3.0,>=2.9
21
+ Requires-Dist: torchmetrics>=1.8
22
+ Requires-Dist: visualtorch>=0.2
23
+ Requires-Dist: random-fourier-features-pytorch>=1.0
24
+ Requires-Dist: IPython>=8.16
25
+ Requires-Dist: requests
26
+ Requires-Dist: airfrans
27
+ Requires-Dist: scipy
28
+ Requires-Dist: pandas
29
+ Dynamic: license-file
30
+
31
+ # NeuralNetworks Module
32
+
33
+ Module complet pour la création et l'entraînement de [MultiLayer Perceptrons](https://en.wikipedia.org/wiki/Multilayer_perceptron) (MLP)
34
+ avec encodage optionnel [Fourier Features](https://en.wikipedia.org/wiki/Random_feature#Random_Fourier_feature) et gestion automatique des pertes.
35
+
36
+ ---
37
+
38
+ ## Contenu principal
39
+
40
+ ### Classes
41
+
42
+ #### `MLP` {#MLP}
43
+
44
+ Cette classe fournit :
45
+
46
+ - Un [MLP](https://en.wikipedia.org/wiki/Multilayer_perceptron) entièrement configurable (dimensions, activation).
47
+ - Option d'encodage [Fourier Features](https://en.wikipedia.org/wiki/Random_feature#Random_Fourier_feature) sur les entrées.
48
+
49
+ ---
50
+
51
+ ##### Paramètres
52
+
53
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
54
+ |----------------------|--------------------------------------------------------------------------------------------------|---------------|--------------------------------------------------------------------------------|
55
+ | `input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des données en entrée au réseau. Default: `1` |
56
+ | `output_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des données en sortie au réseau. Default: `1` |
57
+ | `hidden_layers` | [`list[int]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Oui | Dimensions successives des couches intermédiaires du réseau. Default: `[1]` |
58
+ | `sigmas` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Oui | Liste de sigma pour encodages RFF. Si None : passthrough. Default: `None` |
59
+ | `fourier_input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | WIP. Default: `2` |
60
+ | `nb_fourier` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Nombre de fréquences utilisées pour les Fourier Features. Default: `8` |
61
+ | `norm` | [`norm`](#norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
62
+ | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Oui | Nom du réseau pour identification ou affichage. Default: `'Net'` |
63
+
64
+ ##### Attributs
65
+
66
+ - `losses : list[float]` — Historique des pertes cumulées lors de l'entraînement
67
+ - `learnings : list[float]` — Historique des taux d'apprentissage utilisées lors de l'entraînement
68
+ - `model : nn.Sequential` — MLP complet construit dynamiquement
69
+ - `name : str` — Nom du réseau
70
+
71
+ ---
72
+
73
+ #### `Trainer`
74
+
75
+ Cette classe fournit :
76
+
77
+ - Méthode pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html)
78
+
79
+ ##### Paramètres
80
+
81
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
82
+ |----------------|-------------------------------------------------------------------------------------------------|---------------|-----------------------------------------------------------------------------------------------------------------|
83
+ | `*nets` | [`MLP`](#MLP) | Non | Réseaux pour lesquels le trainer va entrainer. |
84
+ | `inputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en entrée au réseau. |
85
+ | `outputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en sortie au réseau. |
86
+ | `test_size` | [`float`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Proportion des données à utiliser pendant l'entrainement. Si None : utilise toutes les données. Default: `None` |
87
+ | `optim` | [`optim`](#optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
88
+ | `init_lr` | [`float`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taux d’apprentissage initial pour l’optimiseur. Default: `1e-3` |
89
+ | `crit` | [`crit`](#crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
90
+ | `batch_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des minibatchs. Default: `1024` |
91
+
92
+ ##### `Trainer.train`
93
+
94
+ Lancement d'un entrainement avec le trainer définit
95
+
96
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
97
+ |-----------------|------------------------------------------------------------------------------------------|---------------|-----------------------------------------|
98
+ | `num_epochs` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Nombres d'itérations à effectuer. |
99
+ | `activate_tqdm` | [`boolean`](https://docs.python.org/3/library/stdtypes.html#boolean-type-bool) | Oui | Utilisation d'une barre de progression. |
100
+
101
+ ---
102
+
103
+ ### Dictionnaires
104
+
105
+ #### `norms()` {#norms}
106
+
107
+ | **Valeurs** | **Module PyTorch** | **Description** |
108
+ |---------------|--------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------|
109
+ | `'ReLU'` | [`nn.ReLU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.ReLU.html) | Fonction d'activation ReLU classique (Rectified Linear Unit). |
110
+ | `'LeakyReLU'` | [`nn.LeakyReLU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.LeakyReLU.html) | ReLU avec un petit coefficient pour les valeurs négatives (paramètre `negative_slope`). |
111
+ | `'ELU'` | [`nn.ELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.ELU.html) | Fonction d'activation ELU (Exponential Linear Unit), qui a une meilleure gestion des valeurs négatives. |
112
+ | `'SELU'` | [`nn.SELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.SELU.html) | SELU (Scaled Exponential Linear Unit), une version améliorée de l'ELU pour des réseaux auto-normalisants. |
113
+ | `'GELU'` | [`nn.GELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.GELU.html) | GELU (Gaussian Error Linear Unit), une activation probabiliste basée sur une fonction gaussienne. |
114
+ | `'Mish'` | [`nn.Mish()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Mish.html) | ReLU différentiable en tout points avec passage négatif. |
115
+ | `'Softplus'` | [`nn.Softplus()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Softplus.html) | Fonction d'activation qui approxime ReLU mais de manière lissée. |
116
+ | `'Sigmoid'` | [`nn.Sigmoid()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sigmoid.html) | Fonction d'activation Sigmoid, qui produit une sortie entre 0 et 1. |
117
+ | `'Tanh'` | [`nn.Tanh()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Tanh.html) | Fonction d'activation Tanh, avec une sortie dans l'intervalle [-1, 1]. |
118
+ | `'Hardtanh'` | [`nn.Hardtanh()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Hardtanh.html) | Variante de Tanh, avec des sorties limitées entre une plage spécifiée. |
119
+ | `'Softsign'` | [`nn.Softsign()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Softsign.html) | Fonction d'activation similaire à Tanh mais plus souple, avec des valeurs dans [-1, 1]. |
120
+
121
+ #### `crits()` {#crits}
122
+
123
+ | **Valeurs** | **Module PyTorch** | **Description** |
124
+ |--------------------------|--------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------|
125
+ | `'MSE'` | [`nn.MSELoss`](https://pytorch.org/docs/stable/generated/torch.nn.MSELoss.html) | Perte utilisée pour les régressions. |
126
+ | `'L1'` | [`nn.L1Loss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.L1Loss.html) | Perte utilisée pour la régularisation. |
127
+ | `'SmoothL1'` | [`nn.SmoothL1Loss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.SmoothL1Loss.html) | Perte moins sensible aux outliers. |
128
+ | `'Huber'` | [`nn.HuberLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.HuberLoss.html) | Perte moins affectée par les grands écarts. |
129
+ | `'CrossEntropy'` | [`nn.CrossEntropyLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html) | Perte utilisée pour les problèmes de classification multi-classes. |
130
+ | `'KLDiv'` | [`nn.KLDivLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.KLDivLoss.html) | Perte utilisée pour des modèles probabilistes. |
131
+ | `'PoissonNLL'` | [`nn.PoissonNLLLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.PoissonNLLLoss.html) | Perte utilisée pour la modélisation de comptages. |
132
+ | `'MultiLabelSoftMargin'` | [`nn.MultiLabelSoftMarginLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.MultiLabelSoftMarginLoss.html) | Perte utilisée pour les problèmes de classification multi-étiquettes. |
133
+
134
+ #### `optims()` {#optims}
135
+
136
+ | **Valeurs** | **Module PyTorch** | **Description** |
137
+ |---------------|--------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------|
138
+ | `'Adadelta'` | [`optim.Adadelta()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adadelta.html) | Optimiseur basé sur les gradients adaptatifs, sans nécessité de réglage du taux d'apprentissage. |
139
+ | `'Adafactor'` | [`optim.Adafactor()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adafactor.html) | Optimiseur variant d'Adam avec une mise à jour plus efficace de la mémoire pour de grands modèles. |
140
+ | `'Adam'` | [`optim.Adam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adam.html) | Optimiseur utilisant un gradient stochastique adaptatif avec des moyennes mobiles des gradients. |
141
+ | `'AdamW'` | [`optim.AdamW()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.AdamW.html) | Optimiseur avec une régularisation L2 (weight decay) distincte. |
142
+ | `'Adamax'` | [`optim.Adamax()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adamax.html) | Optimiseur utilisant une norme infinie pour les gradients, plus stable pour certaines configurations. |
143
+ | `'ASGD'` | [`optim.ASGD()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.ASGD.html) | Optimiseur utilisé pour de grandes données avec une moyenne des gradients. |
144
+ | `'NAdam'` | [`optim.NAdam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.NAdam.html) | Optimiseur avec une adaptation des moments de second ordre. |
145
+ | `'RAdam'` | [`optim.RAdam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.RAdam.html) | Optimiseur qui ajuste dynamiquement les moments pour stabiliser l'entraînement. |
146
+ | `'RMSprop'` | [`optim.RMSprop()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.RMSprop.html) | Optimiseur utilisant une moyenne mobile des carrés des gradients pour réduire les oscillations. |
147
+ | `'Rprop'` | [`optim.Rprop()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Rprop.html) | Optimiseur basé sur les mises à jour des poids indépendantes des gradients. |
148
+ | `'SGD'` | [`optim.SGD()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.SGD.html) | Optimiseur souvent utilisée avec un taux d'apprentissage constant ou ajusté. |
149
+
150
+ ---
151
+
152
+ ### `device`
153
+
154
+ variable principale d'allocation des performances
155
+
156
+ #### **Apple Silicon (macOS)**
157
+ - Si le système d'exploitation est macOS (nommé `darwin` dans `platform.system()`), la fonction vérifie si l'accélérateur **Metal Performance Shaders** (MPS) est disponible sur l'appareil.
158
+ - Si MPS est disponible (`torch.backends.mps.is_available()`), l'appareil cible sera défini sur `'MPS'` (c'est un équivalent de CUDA pour les appareils Apple Silicon).
159
+
160
+ #### **Windows**
161
+ - Si le système d'exploitation est Windows, la fonction vérifie d'abord si **CUDA** (NVIDIA) est disponible avec `torch.cuda.is_available()`. Si c'est le cas, le périphérique sera défini sur **CUDA**.
162
+
163
+ #### **Linux**
164
+ - Si le système d'exploitation est Linux, plusieurs vérifications sont effectuées :
165
+ 1. **CUDA** (NVIDIA) : Si `torch.cuda.is_available()` renvoie `True`, le périphérique sera défini sur `'CUDA'`.
166
+ 2. **ROCm** (AMD) : Si le système supporte **ROCm** via `torch.backends.hip.is_available()`, l'appareil sera défini sur `'CUDA'` (ROCm est utilisé pour les cartes AMD dans le cadre de l'API CUDA).
167
+ 3. **Intel oneAPI / XPU** : Si le système prend en charge **Intel oneAPI** ou **XPU** via `torch.xpu.is_available()`, le périphérique sera défini sur **XPU**.
168
+
169
+ #### **Système non reconnu**
170
+ - Si aucune des conditions ci-dessus n'est remplie, la fonction retourne `'CPU'` comme périphérique par défaut.
171
+
172
+ ---
neuralnetworks-0.2.3/README.md ADDED
@@ -0,0 +1,142 @@
1
+ # NeuralNetworks Module
2
+
3
+ Module complet pour la création et l'entraînement de [MultiLayer Perceptrons](https://en.wikipedia.org/wiki/Multilayer_perceptron) (MLP)
4
+ avec encodage optionnel [Fourier Features](https://en.wikipedia.org/wiki/Random_feature#Random_Fourier_feature) et gestion automatique des pertes.
5
+
6
+ ---
7
+
8
+ ## Contenu principal
9
+
10
+ ### Classes
11
+
12
+ #### `MLP` {#MLP}
13
+
14
+ Cette classe fournit :
15
+
16
+ - Un [MLP](https://en.wikipedia.org/wiki/Multilayer_perceptron) entièrement configurable (dimensions, activation).
17
+ - Option d'encodage [Fourier Features](https://en.wikipedia.org/wiki/Random_feature#Random_Fourier_feature) sur les entrées.
18
+
19
+ ---
20
+
21
+ ##### Paramètres
22
+
23
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
24
+ |----------------------|--------------------------------------------------------------------------------------------------|---------------|--------------------------------------------------------------------------------|
25
+ | `input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des données en entrée au réseau. Default: `1` |
26
+ | `output_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des données en sortie au réseau. Default: `1` |
27
+ | `hidden_layers` | [`list[int]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Oui | Dimensions successives des couches intermédiaires du réseau. Default: `[1]` |
28
+ | `sigmas` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Oui | Liste de sigma pour encodages RFF. Si None : passthrough. Default: `None` |
29
+ | `fourier_input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | WIP. Default: `2` |
30
+ | `nb_fourier` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Nombre de fréquences utilisées pour les Fourier Features. Default: `8` |
31
+ | `norm` | [`norm`](#norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
32
+ | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Oui | Nom du réseau pour identification ou affichage. Default: `'Net'` |
33
+
34
+ ##### Attributs
35
+
36
+ - `losses : list[float]` — Historique des pertes cumulées lors de l'entraînement
37
+ - `learnings : list[float]` — Historique des taux d'apprentissage utilisées lors de l'entraînement
38
+ - `model : nn.Sequential` — MLP complet construit dynamiquement
39
+ - `name : str` — Nom du réseau
40
+
41
+ ---
42
+
43
+ #### `Trainer`
44
+
45
+ Cette classe fournit :
46
+
47
+ - Méthode pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html)
48
+
49
+ ##### Paramètres
50
+
51
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
52
+ |----------------|-------------------------------------------------------------------------------------------------|---------------|-----------------------------------------------------------------------------------------------------------------|
53
+ | `*nets` | [`MLP`](#MLP) | Non | Réseaux pour lesquels le trainer va entrainer. |
54
+ | `inputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en entrée au réseau. |
55
+ | `outputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en sortie au réseau. |
56
+ | `test_size` | [`float`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Proportion des données à utiliser pendant l'entrainement. Si None : utilise toutes les données. Default: `None` |
57
+ | `optim` | [`optim`](#optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
58
+ | `init_lr` | [`float`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taux d’apprentissage initial pour l’optimiseur. Default: `1e-3` |
59
+ | `crit` | [`crit`](#crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
60
+ | `batch_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des minibatchs. Default: `1024` |
61
+
62
+ ##### `Trainer.train`
63
+
64
+ Lancement d'un entrainement avec le trainer définit
65
+
66
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
67
+ |-----------------|------------------------------------------------------------------------------------------|---------------|-----------------------------------------|
68
+ | `num_epochs` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Nombres d'itérations à effectuer. |
69
+ | `activate_tqdm` | [`boolean`](https://docs.python.org/3/library/stdtypes.html#boolean-type-bool) | Oui | Utilisation d'une barre de progression. |
70
+
71
+ ---
72
+
73
+ ### Dictionnaires
74
+
75
+ #### `norms()` {#norms}
76
+
77
+ | **Valeurs** | **Module PyTorch** | **Description** |
78
+ |---------------|--------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------|
79
+ | `'ReLU'` | [`nn.ReLU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.ReLU.html) | Fonction d'activation ReLU classique (Rectified Linear Unit). |
80
+ | `'LeakyReLU'` | [`nn.LeakyReLU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.LeakyReLU.html) | ReLU avec un petit coefficient pour les valeurs négatives (paramètre `negative_slope`). |
81
+ | `'ELU'` | [`nn.ELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.ELU.html) | Fonction d'activation ELU (Exponential Linear Unit), qui a une meilleure gestion des valeurs négatives. |
82
+ | `'SELU'` | [`nn.SELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.SELU.html) | SELU (Scaled Exponential Linear Unit), une version améliorée de l'ELU pour des réseaux auto-normalisants. |
83
+ | `'GELU'` | [`nn.GELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.GELU.html) | GELU (Gaussian Error Linear Unit), une activation probabiliste basée sur une fonction gaussienne. |
84
+ | `'Mish'` | [`nn.Mish()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Mish.html) | ReLU différentiable en tout points avec passage négatif. |
85
+ | `'Softplus'` | [`nn.Softplus()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Softplus.html) | Fonction d'activation qui approxime ReLU mais de manière lissée. |
86
+ | `'Sigmoid'` | [`nn.Sigmoid()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sigmoid.html) | Fonction d'activation Sigmoid, qui produit une sortie entre 0 et 1. |
87
+ | `'Tanh'` | [`nn.Tanh()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Tanh.html) | Fonction d'activation Tanh, avec une sortie dans l'intervalle [-1, 1]. |
88
+ | `'Hardtanh'` | [`nn.Hardtanh()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Hardtanh.html) | Variante de Tanh, avec des sorties limitées entre une plage spécifiée. |
89
+ | `'Softsign'` | [`nn.Softsign()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Softsign.html) | Fonction d'activation similaire à Tanh mais plus souple, avec des valeurs dans [-1, 1]. |
90
+
91
+ #### `crits()` {#crits}
92
+
93
+ | **Valeurs** | **Module PyTorch** | **Description** |
94
+ |--------------------------|--------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------|
95
+ | `'MSE'` | [`nn.MSELoss`](https://pytorch.org/docs/stable/generated/torch.nn.MSELoss.html) | Perte utilisée pour les régressions. |
96
+ | `'L1'` | [`nn.L1Loss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.L1Loss.html) | Perte utilisée pour la régularisation. |
97
+ | `'SmoothL1'` | [`nn.SmoothL1Loss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.SmoothL1Loss.html) | Perte moins sensible aux outliers. |
98
+ | `'Huber'` | [`nn.HuberLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.HuberLoss.html) | Perte moins affectée par les grands écarts. |
99
+ | `'CrossEntropy'` | [`nn.CrossEntropyLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html) | Perte utilisée pour les problèmes de classification multi-classes. |
100
+ | `'KLDiv'` | [`nn.KLDivLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.KLDivLoss.html) | Perte utilisée pour des modèles probabilistes. |
101
+ | `'PoissonNLL'` | [`nn.PoissonNLLLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.PoissonNLLLoss.html) | Perte utilisée pour la modélisation de comptages. |
102
+ | `'MultiLabelSoftMargin'` | [`nn.MultiLabelSoftMarginLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.MultiLabelSoftMarginLoss.html) | Perte utilisée pour les problèmes de classification multi-étiquettes. |
103
+
104
+ #### `optims()` {#optims}
105
+
106
+ | **Valeurs** | **Module PyTorch** | **Description** |
107
+ |---------------|--------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------|
108
+ | `'Adadelta'` | [`optim.Adadelta()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adadelta.html) | Optimiseur basé sur les gradients adaptatifs, sans nécessité de réglage du taux d'apprentissage. |
109
+ | `'Adafactor'` | [`optim.Adafactor()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adafactor.html) | Optimiseur variant d'Adam avec une mise à jour plus efficace de la mémoire pour de grands modèles. |
110
+ | `'Adam'` | [`optim.Adam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adam.html) | Optimiseur utilisant un gradient stochastique adaptatif avec des moyennes mobiles des gradients. |
111
+ | `'AdamW'` | [`optim.AdamW()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.AdamW.html) | Optimiseur avec une régularisation L2 (weight decay) distincte. |
112
+ | `'Adamax'` | [`optim.Adamax()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adamax.html) | Optimiseur utilisant une norme infinie pour les gradients, plus stable pour certaines configurations. |
113
+ | `'ASGD'` | [`optim.ASGD()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.ASGD.html) | Optimiseur utilisé pour de grandes données avec une moyenne des gradients. |
114
+ | `'NAdam'` | [`optim.NAdam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.NAdam.html) | Optimiseur avec une adaptation des moments de second ordre. |
115
+ | `'RAdam'` | [`optim.RAdam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.RAdam.html) | Optimiseur qui ajuste dynamiquement les moments pour stabiliser l'entraînement. |
116
+ | `'RMSprop'` | [`optim.RMSprop()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.RMSprop.html) | Optimiseur utilisant une moyenne mobile des carrés des gradients pour réduire les oscillations. |
117
+ | `'Rprop'` | [`optim.Rprop()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Rprop.html) | Optimiseur basé sur les mises à jour des poids indépendantes des gradients. |
118
+ | `'SGD'` | [`optim.SGD()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.SGD.html) | Optimiseur souvent utilisée avec un taux d'apprentissage constant ou ajusté. |
119
+
120
+ ---
121
+
122
+ ### `device`
123
+
124
+ variable principale d'allocation des performances
125
+
126
+ #### **Apple Silicon (macOS)**
127
+ - Si le système d'exploitation est macOS (nommé `darwin` dans `platform.system()`), la fonction vérifie si l'accélérateur **Metal Performance Shaders** (MPS) est disponible sur l'appareil.
128
+ - Si MPS est disponible (`torch.backends.mps.is_available()`), l'appareil cible sera défini sur `'MPS'` (c'est un équivalent de CUDA pour les appareils Apple Silicon).
129
+
130
+ #### **Windows**
131
+ - Si le système d'exploitation est Windows, la fonction vérifie d'abord si **CUDA** (NVIDIA) est disponible avec `torch.cuda.is_available()`. Si c'est le cas, le périphérique sera défini sur **CUDA**.
132
+
133
+ #### **Linux**
134
+ - Si le système d'exploitation est Linux, plusieurs vérifications sont effectuées :
135
+ 1. **CUDA** (NVIDIA) : Si `torch.cuda.is_available()` renvoie `True`, le périphérique sera défini sur `'CUDA'`.
136
+ 2. **ROCm** (AMD) : Si le système supporte **ROCm** via `torch.backends.hip.is_available()`, l'appareil sera défini sur `'CUDA'` (ROCm est utilisé pour les cartes AMD dans le cadre de l'API CUDA).
137
+ 3. **Intel oneAPI / XPU** : Si le système prend en charge **Intel oneAPI** ou **XPU** via `torch.xpu.is_available()`, le périphérique sera défini sur **XPU**.
138
+
139
+ #### **Système non reconnu**
140
+ - Si aucune des conditions ci-dessus n'est remplie, la fonction retourne `'CPU'` comme périphérique par défaut.
141
+
142
+ ---
{neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/MLP/__init__.py RENAMED
@@ -52,10 +52,10 @@ class MLP (nn.Module):
52
52
  super ().__init__ ()
53
53
 
54
54
  # --- Activation ---
55
- self.norm = norm_list.get (norm, nn.ReLU)
55
+ self.norm = norm_list.get (norm)
56
56
  if self.norm is None:
57
- print (f"Warning: '{norm}' not recognized, falling back to 'ReLU'")
58
- self.norm = norm_list.get (norm, "Relu")
57
+ print (f"Warning: '{norm}' not recognized, falling back to 'm is'")
58
+ self.norm = norm_list.get ("Relu")
59
59
 
60
60
  # --- Attributs ---
61
61
  self.losses = []
{neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks/__init__.py RENAMED
@@ -9,15 +9,10 @@
9
9
  from .Dependances import norms, crits, optims, rglen, device, pi, e, tensorise
10
10
 
11
11
  # Modèle MLP principal + fonction d'entraînement associée
12
- from .MLP import MLP, losses
12
+ from .MLP import MLP
13
13
 
14
14
  from .Trainer import Trainer
15
15
 
16
16
  from .UI import *
17
17
 
18
- from .Latent import Latent
19
-
20
- # Fonctions de chargement/preprocessing des images
21
- from .tools import image, MNIST, AirfRANS
22
-
23
- __version__ = "0.2.2"
18
+ __version__ = "0.2.3"
neuralnetworks-0.2.3/src/NeuralNetworks.egg-info/PKG-INFO ADDED
@@ -0,0 +1,172 @@
1
+ Metadata-Version: 2.4
2
+ Name: NeuralNetworks
3
+ Version: 0.2.3
4
+ Summary: Multi-Layer Perceptrons with multi-Fourier encoding, variable learning rate, visualization and PyTorch compilation
5
+ Author-email: Alexandre Brun <alexandre51160@gmail.com>
6
+ License: GPL-3.0-or-later
7
+ Project-URL: Documentation, https://xxxfetraxxx.github.io/NeuralNetworks/
8
+ Project-URL: Source, https://github.com/xXxFetraxXx/NeuralNetworks
9
+ Classifier: Programming Language :: Python :: 3
10
+ Classifier: License :: OSI Approved :: GNU General Public License v3 or later (GPLv3+)
11
+ Classifier: Operating System :: OS Independent
12
+ Requires-Python: >=3.9
13
+ Description-Content-Type: text/markdown
14
+ License-File: LICENSE
15
+ Requires-Dist: numpy>=1.25
16
+ Requires-Dist: matplotlib>=3.10
17
+ Requires-Dist: tqdm>=4.66
18
+ Requires-Dist: torch<3.0,>=2.9.1
19
+ Requires-Dist: torchvision<1.0,>=0.24
20
+ Requires-Dist: torchaudio<3.0,>=2.9
21
+ Requires-Dist: torchmetrics>=1.8
22
+ Requires-Dist: visualtorch>=0.2
23
+ Requires-Dist: random-fourier-features-pytorch>=1.0
24
+ Requires-Dist: IPython>=8.16
25
+ Requires-Dist: requests
26
+ Requires-Dist: airfrans
27
+ Requires-Dist: scipy
28
+ Requires-Dist: pandas
29
+ Dynamic: license-file
30
+
31
+ # NeuralNetworks Module
32
+
33
+ Module complet pour la création et l'entraînement de [MultiLayer Perceptrons](https://en.wikipedia.org/wiki/Multilayer_perceptron) (MLP)
34
+ avec encodage optionnel [Fourier Features](https://en.wikipedia.org/wiki/Random_feature#Random_Fourier_feature) et gestion automatique des pertes.
35
+
36
+ ---
37
+
38
+ ## Contenu principal
39
+
40
+ ### Classes
41
+
42
+ #### `MLP` {#MLP}
43
+
44
+ Cette classe fournit :
45
+
46
+ - Un [MLP](https://en.wikipedia.org/wiki/Multilayer_perceptron) entièrement configurable (dimensions, activation).
47
+ - Option d'encodage [Fourier Features](https://en.wikipedia.org/wiki/Random_feature#Random_Fourier_feature) sur les entrées.
48
+
49
+ ---
50
+
51
+ ##### Paramètres
52
+
53
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
54
+ |----------------------|--------------------------------------------------------------------------------------------------|---------------|--------------------------------------------------------------------------------|
55
+ | `input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des données en entrée au réseau. Default: `1` |
56
+ | `output_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des données en sortie au réseau. Default: `1` |
57
+ | `hidden_layers` | [`list[int]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Oui | Dimensions successives des couches intermédiaires du réseau. Default: `[1]` |
58
+ | `sigmas` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Oui | Liste de sigma pour encodages RFF. Si None : passthrough. Default: `None` |
59
+ | `fourier_input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | WIP. Default: `2` |
60
+ | `nb_fourier` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Nombre de fréquences utilisées pour les Fourier Features. Default: `8` |
61
+ | `norm` | [`norm`](#norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
62
+ | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Oui | Nom du réseau pour identification ou affichage. Default: `'Net'` |
63
+
64
+ ##### Attributs
65
+
66
+ - `losses : list[float]` — Historique des pertes cumulées lors de l'entraînement
67
+ - `learnings : list[float]` — Historique des taux d'apprentissage utilisées lors de l'entraînement
68
+ - `model : nn.Sequential` — MLP complet construit dynamiquement
69
+ - `name : str` — Nom du réseau
70
+
71
+ ---
72
+
73
+ #### `Trainer`
74
+
75
+ Cette classe fournit :
76
+
77
+ - Méthode pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html)
78
+
79
+ ##### Paramètres
80
+
81
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
82
+ |----------------|-------------------------------------------------------------------------------------------------|---------------|-----------------------------------------------------------------------------------------------------------------|
83
+ | `*nets` | [`MLP`](#MLP) | Non | Réseaux pour lesquels le trainer va entrainer. |
84
+ | `inputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en entrée au réseau. |
85
+ | `outputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en sortie au réseau. |
86
+ | `test_size` | [`float`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Proportion des données à utiliser pendant l'entrainement. Si None : utilise toutes les données. Default: `None` |
87
+ | `optim` | [`optim`](#optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
88
+ | `init_lr` | [`float`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taux d’apprentissage initial pour l’optimiseur. Default: `1e-3` |
89
+ | `crit` | [`crit`](#crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
90
+ | `batch_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des minibatchs. Default: `1024` |
91
+
92
+ ##### `Trainer.train`
93
+
94
+ Lancement d'un entrainement avec le trainer définit
95
+
96
+ | **Paramètres** | **Type** | **Optionnel** | **Description** |
97
+ |-----------------|------------------------------------------------------------------------------------------|---------------|-----------------------------------------|
98
+ | `num_epochs` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Nombres d'itérations à effectuer. |
99
+ | `activate_tqdm` | [`boolean`](https://docs.python.org/3/library/stdtypes.html#boolean-type-bool) | Oui | Utilisation d'une barre de progression. |
100
+
101
+ ---
102
+
103
+ ### Dictionnaires
104
+
105
+ #### `norms()` {#norms}
106
+
107
+ | **Valeurs** | **Module PyTorch** | **Description** |
108
+ |---------------|--------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------|
109
+ | `'ReLU'` | [`nn.ReLU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.ReLU.html) | Fonction d'activation ReLU classique (Rectified Linear Unit). |
110
+ | `'LeakyReLU'` | [`nn.LeakyReLU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.LeakyReLU.html) | ReLU avec un petit coefficient pour les valeurs négatives (paramètre `negative_slope`). |
111
+ | `'ELU'` | [`nn.ELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.ELU.html) | Fonction d'activation ELU (Exponential Linear Unit), qui a une meilleure gestion des valeurs négatives. |
112
+ | `'SELU'` | [`nn.SELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.SELU.html) | SELU (Scaled Exponential Linear Unit), une version améliorée de l'ELU pour des réseaux auto-normalisants. |
113
+ | `'GELU'` | [`nn.GELU()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.GELU.html) | GELU (Gaussian Error Linear Unit), une activation probabiliste basée sur une fonction gaussienne. |
114
+ | `'Mish'` | [`nn.Mish()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Mish.html) | ReLU différentiable en tout points avec passage négatif. |
115
+ | `'Softplus'` | [`nn.Softplus()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Softplus.html) | Fonction d'activation qui approxime ReLU mais de manière lissée. |
116
+ | `'Sigmoid'` | [`nn.Sigmoid()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sigmoid.html) | Fonction d'activation Sigmoid, qui produit une sortie entre 0 et 1. |
117
+ | `'Tanh'` | [`nn.Tanh()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Tanh.html) | Fonction d'activation Tanh, avec une sortie dans l'intervalle [-1, 1]. |
118
+ | `'Hardtanh'` | [`nn.Hardtanh()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Hardtanh.html) | Variante de Tanh, avec des sorties limitées entre une plage spécifiée. |
119
+ | `'Softsign'` | [`nn.Softsign()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Softsign.html) | Fonction d'activation similaire à Tanh mais plus souple, avec des valeurs dans [-1, 1]. |
120
+
121
+ #### `crits()` {#crits}
122
+
123
+ | **Valeurs** | **Module PyTorch** | **Description** |
124
+ |--------------------------|--------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------|
125
+ | `'MSE'` | [`nn.MSELoss`](https://pytorch.org/docs/stable/generated/torch.nn.MSELoss.html) | Perte utilisée pour les régressions. |
126
+ | `'L1'` | [`nn.L1Loss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.L1Loss.html) | Perte utilisée pour la régularisation. |
127
+ | `'SmoothL1'` | [`nn.SmoothL1Loss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.SmoothL1Loss.html) | Perte moins sensible aux outliers. |
128
+ | `'Huber'` | [`nn.HuberLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.HuberLoss.html) | Perte moins affectée par les grands écarts. |
129
+ | `'CrossEntropy'` | [`nn.CrossEntropyLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html) | Perte utilisée pour les problèmes de classification multi-classes. |
130
+ | `'KLDiv'` | [`nn.KLDivLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.KLDivLoss.html) | Perte utilisée pour des modèles probabilistes. |
131
+ | `'PoissonNLL'` | [`nn.PoissonNLLLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.PoissonNLLLoss.html) | Perte utilisée pour la modélisation de comptages. |
132
+ | `'MultiLabelSoftMargin'` | [`nn.MultiLabelSoftMarginLoss()`](https://docs.pytorch.org/docs/stable/generated/torch.nn.MultiLabelSoftMarginLoss.html) | Perte utilisée pour les problèmes de classification multi-étiquettes. |
133
+
134
+ #### `optims()` {#optims}
135
+
136
+ | **Valeurs** | **Module PyTorch** | **Description** |
137
+ |---------------|--------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------|
138
+ | `'Adadelta'` | [`optim.Adadelta()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adadelta.html) | Optimiseur basé sur les gradients adaptatifs, sans nécessité de réglage du taux d'apprentissage. |
139
+ | `'Adafactor'` | [`optim.Adafactor()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adafactor.html) | Optimiseur variant d'Adam avec une mise à jour plus efficace de la mémoire pour de grands modèles. |
140
+ | `'Adam'` | [`optim.Adam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adam.html) | Optimiseur utilisant un gradient stochastique adaptatif avec des moyennes mobiles des gradients. |
141
+ | `'AdamW'` | [`optim.AdamW()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.AdamW.html) | Optimiseur avec une régularisation L2 (weight decay) distincte. |
142
+ | `'Adamax'` | [`optim.Adamax()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Adamax.html) | Optimiseur utilisant une norme infinie pour les gradients, plus stable pour certaines configurations. |
143
+ | `'ASGD'` | [`optim.ASGD()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.ASGD.html) | Optimiseur utilisé pour de grandes données avec une moyenne des gradients. |
144
+ | `'NAdam'` | [`optim.NAdam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.NAdam.html) | Optimiseur avec une adaptation des moments de second ordre. |
145
+ | `'RAdam'` | [`optim.RAdam()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.RAdam.html) | Optimiseur qui ajuste dynamiquement les moments pour stabiliser l'entraînement. |
146
+ | `'RMSprop'` | [`optim.RMSprop()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.RMSprop.html) | Optimiseur utilisant une moyenne mobile des carrés des gradients pour réduire les oscillations. |
147
+ | `'Rprop'` | [`optim.Rprop()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.Rprop.html) | Optimiseur basé sur les mises à jour des poids indépendantes des gradients. |
148
+ | `'SGD'` | [`optim.SGD()`](https://docs.pytorch.org/docs/stable/generated/torch.optim.SGD.html) | Optimiseur souvent utilisée avec un taux d'apprentissage constant ou ajusté. |
149
+
150
+ ---
151
+
152
+ ### `device`
153
+
154
+ variable principale d'allocation des performances
155
+
156
+ #### **Apple Silicon (macOS)**
157
+ - Si le système d'exploitation est macOS (nommé `darwin` dans `platform.system()`), la fonction vérifie si l'accélérateur **Metal Performance Shaders** (MPS) est disponible sur l'appareil.
158
+ - Si MPS est disponible (`torch.backends.mps.is_available()`), l'appareil cible sera défini sur `'MPS'` (c'est un équivalent de CUDA pour les appareils Apple Silicon).
159
+
160
+ #### **Windows**
161
+ - Si le système d'exploitation est Windows, la fonction vérifie d'abord si **CUDA** (NVIDIA) est disponible avec `torch.cuda.is_available()`. Si c'est le cas, le périphérique sera défini sur **CUDA**.
162
+
163
+ #### **Linux**
164
+ - Si le système d'exploitation est Linux, plusieurs vérifications sont effectuées :
165
+ 1. **CUDA** (NVIDIA) : Si `torch.cuda.is_available()` renvoie `True`, le périphérique sera défini sur `'CUDA'`.
166
+ 2. **ROCm** (AMD) : Si le système supporte **ROCm** via `torch.backends.hip.is_available()`, l'appareil sera défini sur `'CUDA'` (ROCm est utilisé pour les cartes AMD dans le cadre de l'API CUDA).
167
+ 3. **Intel oneAPI / XPU** : Si le système prend en charge **Intel oneAPI** ou **XPU** via `torch.xpu.is_available()`, le périphérique sera défini sur **XPU**.
168
+
169
+ #### **Système non reconnu**
170
+ - Si aucune des conditions ci-dessus n'est remplie, la fonction retourne `'CPU'` comme périphérique par défaut.
171
+
172
+ ---
{neuralnetworks-0.2.2 → neuralnetworks-0.2.3}/src/NeuralNetworks.egg-info/SOURCES.txt RENAMED
@@ -20,8 +20,4 @@ src/NeuralNetworks/Trainer/sample_data.py
20
20
  src/NeuralNetworks/Trainer/train.py
21
21
  src/NeuralNetworks/UI/Learnings.py
22
22
  src/NeuralNetworks/UI/Losses.py
23
- src/NeuralNetworks/UI/__init__.py
24
- src/NeuralNetworks/tools/AirfRANS.py
25
- src/NeuralNetworks/tools/MNIST.py
26
- src/NeuralNetworks/tools/VKI-LS59.py
27
- src/NeuralNetworks/tools/image.py
23
+ src/NeuralNetworks/UI/__init__.py