NeuralNetworks 0.2.4__tar.gz → 0.2.6__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 (28) hide show
  1. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/PKG-INFO +14 -27
  2. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/README.md +13 -26
  3. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Dependances/pytorch.py +3 -1
  4. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/MLP/__init__.py +8 -21
  5. neuralnetworks-0.2.6/src/NeuralNetworks/MLP/inference.py +12 -0
  6. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Trainer/__init__.py +15 -8
  7. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Trainer/train.py +5 -10
  8. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/__init__.py +1 -1
  9. neuralnetworks-0.2.6/src/NeuralNetworks/shared/__init__.py +8 -0
  10. neuralnetworks-0.2.6/src/NeuralNetworks/shared/module.py +41 -0
  11. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks.egg-info/PKG-INFO +14 -27
  12. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks.egg-info/SOURCES.txt +3 -1
  13. neuralnetworks-0.2.4/src/NeuralNetworks/MLP/inference.py +0 -26
  14. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/LICENSE +0 -0
  15. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/pyproject.toml +0 -0
  16. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/setup.cfg +0 -0
  17. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Dependances/__init__.py +0 -0
  18. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Dependances/matplot.py +0 -0
  19. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/MLP/FourierFeatures.py +0 -0
  20. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/MLP/Layers.py +0 -0
  21. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Trainer/dynamic_learning_rate.py +0 -0
  22. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Trainer/sample_data.py +0 -0
  23. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/UI/Learnings.py +0 -0
  24. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/UI/Losses.py +0 -0
  25. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/UI/__init__.py +0 -0
  26. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks.egg-info/dependency_links.txt +0 -0
  27. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks.egg-info/requires.txt +0 -0
  28. {neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks.egg-info/top_level.txt +0 -0
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/PKG-INFO RENAMED
@@ -1,6 +1,6 @@
1
1
  Metadata-Version: 2.4
2
2
  Name: NeuralNetworks
3
- Version: 0.2.4
3
+ Version: 0.2.6
4
4
  Summary: Multi-Layer Perceptrons with multi-Fourier encoding, variable learning rate, visualization and PyTorch compilation
5
5
  Author-email: Alexandre Brun <alexandre51160@gmail.com>
6
6
  License: GPL-3.0-or-later
@@ -46,8 +46,6 @@ Cette classe fournit :
46
46
 
47
47
  ---
48
48
 
49
- #### **Paramètres**
50
-
51
49
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
52
50
  |----------------------|--------------------------------------------------------------------------------------------------|---------------|--------------------------------------------------------------------------------|
53
51
  | `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` |
@@ -56,47 +54,36 @@ Cette classe fournit :
56
54
  | `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` |
57
55
  | `fourier_input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | WIP. Default: `2` |
58
56
  | `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` |
59
- | `norm` | [`norm`](#norms-norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
57
+ | `norm` | [`norm`](#norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
60
58
  | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Oui | Nom du réseau pour identification ou affichage. Default: `'Net'` |
61
59
 
62
- #### **Attributs**
63
-
64
- - `losses : list[float]` — Historique des pertes cumulées lors de l'entraînement
65
- - `learnings : list[float]` — Historique des taux d'apprentissage utilisées lors de l'entraînement
66
- - `model : nn.Sequential` — MLP complet construit dynamiquement
67
- - `name : str` — Nom du réseau
68
-
69
- | **Attributs** | **Type** | **Description** |
70
- |---------------|--------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------|
71
- | `losses` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des pertes cumulées lors de l'entraînement |
72
- | `learnings` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des taux d'apprentissage utilisées lors de l'entraînement |
73
- | `model` | [`nn.Sequential`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sequential.html) | MLP complet construit dynamiquement |
74
- | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Nom du réseau |
60
+ | **Attributs** | **Type** | **Description** |
61
+ |-----------------|--------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------|
62
+ | `MLP.losses` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des pertes cumulées lors de l'entraînement |
63
+ | `MLP.learnings` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des taux d'apprentissage utilisées lors de l'entraînement |
64
+ | `MLP.model` | [`nn.Sequential`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sequential.html) | MLP complet construit dynamiquement |
65
+ | `MLP.name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Nom du réseau |
75
66
 
76
67
  ---
77
68
 
78
69
  ### **Trainer**
79
70
 
80
- Cette classe fournit :
81
-
82
- - Méthode pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html)
83
-
84
- #### **Paramètres**
71
+ Classe pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html).
85
72
 
86
73
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
87
74
  |----------------|-------------------------------------------------------------------------------------------------|---------------|-----------------------------------------------------------------------------------------------------------------|
88
- | `*nets` | [`MLP`](#mlp-mlp) | Non | Réseaux pour lesquels le trainer va entrainer. |
75
+ | `*nets` | [`MLP`](#mlp) | Non | Réseaux pour lesquels le trainer va entrainer. |
89
76
  | `inputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en entrée au réseau. |
90
77
  | `outputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en sortie au réseau. |
91
78
  | `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` |
92
- | `optim` | [`optim`](#optims-optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
79
+ | `optim` | [`optim`](#optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
93
80
  | `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` |
94
- | `crit` | [`crit`](#crits-crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
81
+ | `crit` | [`crit`](#crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
95
82
  | `batch_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des minibatchs. Default: `1024` |
96
83
 
97
84
  #### **Trainer.train**
98
85
 
99
- Lancement d'un entrainement avec le trainer définit
86
+ Lancement d'un entrainement avec le trainer définit.
100
87
 
101
88
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
102
89
  |-----------------|------------------------------------------------------------------------------------------|---------------|-----------------------------------------|
@@ -172,7 +159,7 @@ Affiche les taux d'apprentissage en fonction des époques d'entrainement des ré
172
159
 
173
160
  ## **device**
174
161
 
175
- variable principale d'allocation des performances
162
+ Variable principale d'allocation des performances.
176
163
 
177
164
  ### **Apple Silicon (macOS)**
178
165
  - 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.
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/README.md RENAMED
@@ -16,8 +16,6 @@ Cette classe fournit :
16
16
 
17
17
  ---
18
18
 
19
- #### **Paramètres**
20
-
21
19
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
22
20
  |----------------------|--------------------------------------------------------------------------------------------------|---------------|--------------------------------------------------------------------------------|
23
21
  | `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` |
@@ -26,47 +24,36 @@ Cette classe fournit :
26
24
  | `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` |
27
25
  | `fourier_input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | WIP. Default: `2` |
28
26
  | `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` |
29
- | `norm` | [`norm`](#norms-norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
27
+ | `norm` | [`norm`](#norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
30
28
  | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Oui | Nom du réseau pour identification ou affichage. Default: `'Net'` |
31
29
 
32
- #### **Attributs**
33
-
34
- - `losses : list[float]` — Historique des pertes cumulées lors de l'entraînement
35
- - `learnings : list[float]` — Historique des taux d'apprentissage utilisées lors de l'entraînement
36
- - `model : nn.Sequential` — MLP complet construit dynamiquement
37
- - `name : str` — Nom du réseau
38
-
39
- | **Attributs** | **Type** | **Description** |
40
- |---------------|--------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------|
41
- | `losses` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des pertes cumulées lors de l'entraînement |
42
- | `learnings` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des taux d'apprentissage utilisées lors de l'entraînement |
43
- | `model` | [`nn.Sequential`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sequential.html) | MLP complet construit dynamiquement |
44
- | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Nom du réseau |
30
+ | **Attributs** | **Type** | **Description** |
31
+ |-----------------|--------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------|
32
+ | `MLP.losses` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des pertes cumulées lors de l'entraînement |
33
+ | `MLP.learnings` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des taux d'apprentissage utilisées lors de l'entraînement |
34
+ | `MLP.model` | [`nn.Sequential`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sequential.html) | MLP complet construit dynamiquement |
35
+ | `MLP.name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Nom du réseau |
45
36
 
46
37
  ---
47
38
 
48
39
  ### **Trainer**
49
40
 
50
- Cette classe fournit :
51
-
52
- - Méthode pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html)
53
-
54
- #### **Paramètres**
41
+ Classe pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html).
55
42
 
56
43
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
57
44
  |----------------|-------------------------------------------------------------------------------------------------|---------------|-----------------------------------------------------------------------------------------------------------------|
58
- | `*nets` | [`MLP`](#mlp-mlp) | Non | Réseaux pour lesquels le trainer va entrainer. |
45
+ | `*nets` | [`MLP`](#mlp) | Non | Réseaux pour lesquels le trainer va entrainer. |
59
46
  | `inputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en entrée au réseau. |
60
47
  | `outputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en sortie au réseau. |
61
48
  | `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` |
62
- | `optim` | [`optim`](#optims-optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
49
+ | `optim` | [`optim`](#optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
63
50
  | `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` |
64
- | `crit` | [`crit`](#crits-crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
51
+ | `crit` | [`crit`](#crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
65
52
  | `batch_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des minibatchs. Default: `1024` |
66
53
 
67
54
  #### **Trainer.train**
68
55
 
69
- Lancement d'un entrainement avec le trainer définit
56
+ Lancement d'un entrainement avec le trainer définit.
70
57
 
71
58
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
72
59
  |-----------------|------------------------------------------------------------------------------------------|---------------|-----------------------------------------|
@@ -142,7 +129,7 @@ Affiche les taux d'apprentissage en fonction des époques d'entrainement des ré
142
129
 
143
130
  ## **device**
144
131
 
145
- variable principale d'allocation des performances
132
+ Variable principale d'allocation des performances.
146
133
 
147
134
  ### **Apple Silicon (macOS)**
148
135
  - 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.
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Dependances/pytorch.py RENAMED
@@ -6,7 +6,6 @@
6
6
  # (at your option) any later version.
7
7
 
8
8
  import os
9
- os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "expandable_segments:True"
10
9
 
11
10
  import platform
12
11
 
@@ -20,6 +19,8 @@ from torch.utils.data import TensorDataset, DataLoader
20
19
  from torchmetrics.image import PeakSignalNoiseRatio as PSNR
21
20
  from torchvision.transforms import ToTensor, Resize, Compose
22
21
 
22
+ import visualtorch
23
+
23
24
  torch.cuda.empty_cache()
24
25
  def get_best_device():
25
26
 
@@ -51,6 +52,7 @@ def get_best_device():
51
52
 
52
53
  # =========== Unknown OS ===========
53
54
  return torch.device("cpu")
55
+
54
56
  device = get_best_device()
55
57
 
56
58
  # --- Optimisations CUDA ---
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/MLP/__init__.py RENAMED
@@ -10,7 +10,9 @@ from .FourierFeatures import encode
10
10
  from .Layers import create_layers
11
11
  from .inference import infer
12
12
 
13
- class MLP (nn.Module):
13
+ from ..shared import Module
14
+
15
+ class MLP (Module):
14
16
  """
15
17
  Multi-Layer Perceptron avec encodage de Fourier optionnel.
16
18
 
@@ -49,18 +51,13 @@ class MLP (nn.Module):
49
51
  nb_fourier = 8,
50
52
  norm = "Relu",
51
53
  name = "Net"):
52
- super ().__init__ ()
54
+ super ().__init__ (name)
53
55
 
54
56
  # --- Activation ---
55
57
  self.norm = norm_list.get (norm)
56
58
  if self.norm is None:
57
- print (f"Warning: '{norm}' not recognized, falling back to 'Relu'")
59
+ print (f"Warning: '{norm}' not recognized, fRelung back to 'm is'")
58
60
  self.norm = norm_list.get ("Relu")
59
-
60
- # --- Attributs ---
61
- self.losses = []
62
- self.learnings = []
63
- self.name = name
64
61
 
65
62
  ## --- Encodage Fourier ou passthrough ---
66
63
  self.encodings, self.f = encode (
@@ -82,18 +79,8 @@ class MLP (nn.Module):
82
79
  self.norm
83
80
  )
84
81
 
85
- def forward (self, x):
86
- """
87
- Effectue une passe avant du réseau.
88
-
89
- Parameters
90
- ----------
91
- x : torch.Tensor
92
- Entrées du réseau de shape `(N, input_size)`.
82
+ def _forward (self, x):
83
+ return infer (self, x)
93
84
 
94
- Returns
95
- -------
96
- torch.Tensor
97
- Sortie du MLP de shape `(N, output_size)`.
98
- """
85
+ def train_forward (self, x):
99
86
  return infer (self, x)
neuralnetworks-0.2.6/src/NeuralNetworks/MLP/inference.py ADDED
@@ -0,0 +1,12 @@
1
+ # NeuralNetworks - Multi-Layer Perceptrons avec encodage Fourier
2
+ # Copyright (C) 2026 Alexandre Brun
3
+ # This program is free software: you can redistribute it and/or modify
4
+ # it under the terms of the GNU General Public License as published by
5
+ # the Free Software Foundation, either version 3 of the License, or
6
+ # (at your option) any later version.
7
+
8
+ from ..Dependances import torch, np, device
9
+
10
+ def infer (net, x):
11
+ results_list = [net.model (encoding (x)) for encoding in net.encodings]
12
+ return net.f (torch.cat (results_list, dim = 1))
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Trainer/__init__.py RENAMED
@@ -5,7 +5,7 @@
5
5
  # the Free Software Foundation, either version 3 of the License, or
6
6
  # (at your option) any later version.
7
7
 
8
- from ..Dependances import crit_list, optim_list
8
+ from ..Dependances import crit_list, optim_list, np
9
9
  from .train import train_f
10
10
  from .sample_data import sample_data
11
11
 
@@ -15,7 +15,7 @@ class Trainer:
15
15
  *nets,
16
16
  inputs,
17
17
  outputs,
18
- test_size = None,
18
+ train_size = None,
19
19
  optim = 'Adam',
20
20
  init_lr = 0.01,
21
21
  crit = 'MSE',
@@ -24,12 +24,19 @@ class Trainer:
24
24
  self.batch_size = batch_size
25
25
  self.nets = nets
26
26
  self.init_lr = init_lr
27
-
28
- self.X_train, self.X_test, self.y_train, self.y_test = sample_data (
29
- inputs,
30
- outputs,
31
- test_size
32
- )
27
+ if train_size is None:
28
+
29
+ self.X_train = inputs
30
+ self.X_test = inputs
31
+ self.y_train = outputs
32
+ self.y_test = outputs
33
+ else:
34
+
35
+ self.X_train, self.X_test, self.y_train, self.y_test = sample_data (
36
+ inputs,
37
+ outputs,
38
+ min(1,np.abs(1 - train_size))
39
+ )
33
40
 
34
41
  # --- Fonction de perte ---
35
42
  self.crit = crit_list.get(crit)
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/Trainer/train.py RENAMED
@@ -27,7 +27,8 @@ def train_f (Trainer, num_epochs = 1, activate_tqdm = True):
27
27
  pbar = tqdm (
28
28
  range (num_epochs),
29
29
  desc = f"train epoch",
30
- disable = not (activate_tqdm)
30
+ disable = not (activate_tqdm),
31
+ mininterval=0.5
31
32
  )
32
33
 
33
34
  for epoch in pbar:
@@ -43,14 +44,8 @@ def train_f (Trainer, num_epochs = 1, activate_tqdm = True):
43
44
  def closure ():
44
45
  Trainer.optims [k].zero_grad (set_to_none = True)
45
46
  with autocast (dev):
46
- loss = Trainer.crit (
47
- net.f (
48
- torch.cat (
49
- [net.model (encoding (Trainer.X_train [idx]))for encoding in net.encodings],
50
- dim = 1
51
- )
52
- ),
53
- Trainer.y_train[idx]
47
+ loss = Trainer.crit (net.train_forward (Trainer.X_train [idx]),
48
+ Trainer.y_train [idx]
54
49
  )
55
50
  scaler.scale (loss).backward ()
56
51
  return loss
@@ -66,7 +61,7 @@ def train_f (Trainer, num_epochs = 1, activate_tqdm = True):
66
61
  for param_group in Trainer.optims [k].param_groups:
67
62
  param_group ['lr'] = net.learnings[-1]
68
63
 
69
- pbar.set_postfix(loss=f"{epoch_loss:.5f}",lr=f"{net.learnings[-1]:.5f}")
64
+ #pbar.set_postfix(loss=f"{epoch_loss:.5f}",lr=f"{net.learnings[-1]:.5f}")
70
65
 
71
66
  net = net.to ('cpu')
72
67
  net.learnings.pop(-1)
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks/__init__.py RENAMED
@@ -15,4 +15,4 @@ from .Trainer import Trainer
15
15
 
16
16
  from .UI import *
17
17
 
18
- __version__ = "0.2.4"
18
+ __version__ = "0.2.6"
neuralnetworks-0.2.6/src/NeuralNetworks/shared/__init__.py ADDED
@@ -0,0 +1,8 @@
1
+ # NeuralNetworks - Multi-Layer Perceptrons avec encodage Fourier
2
+ # Copyright (C) 2026 Alexandre Brun
3
+ # This program is free software: you can redistribute it and/or modify
4
+ # it under the terms of the GNU General Public License as published by
5
+ # the Free Software Foundation, either version 3 of the License, or
6
+ # (at your option) any later version.
7
+
8
+ from .module import Module
neuralnetworks-0.2.6/src/NeuralNetworks/shared/module.py ADDED
@@ -0,0 +1,41 @@
1
+ # NeuralNetworks - Multi-Layer Perceptrons avec encodage Fourier
2
+ # Copyright (C) 2026 Alexandre Brun
3
+ # This program is free software: you can redistribute it and/or modify
4
+ # it under the terms of the GNU General Public License as published by
5
+ # the Free Software Foundation, either version 3 of the License, or
6
+ # (at your option) any later version.
7
+
8
+ from ..Dependances import norm_list, nn, torch, device
9
+
10
+ class Module (nn.Module):
11
+
12
+ def __init__ (self, name = "Net"):
13
+ super ().__init__ ()
14
+
15
+ # --- Attributs ---
16
+ self.losses = []
17
+ self.learnings = []
18
+ self.name = name
19
+
20
+ def _forward (self,x):
21
+ raise Exception ("_forward n'est pas défini dans la classe")
22
+
23
+ def train_forward (self,x):
24
+ raise Exception ("train_forward n'est pas défini dans la classe")
25
+
26
+ def forward (self, x):
27
+
28
+ with torch.no_grad ():
29
+ x = x.unsqueeze (0) if x.dim () == 1 else x
30
+ self = self.to (device)
31
+ x = x.to (device)
32
+
33
+ output = self._forward(x).cpu ().numpy ().flatten ()
34
+
35
+ x = x.to ('cpu')
36
+ self = self.to ('cpu')
37
+
38
+ return output
39
+
40
+
41
+
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks.egg-info/PKG-INFO RENAMED
@@ -1,6 +1,6 @@
1
1
  Metadata-Version: 2.4
2
2
  Name: NeuralNetworks
3
- Version: 0.2.4
3
+ Version: 0.2.6
4
4
  Summary: Multi-Layer Perceptrons with multi-Fourier encoding, variable learning rate, visualization and PyTorch compilation
5
5
  Author-email: Alexandre Brun <alexandre51160@gmail.com>
6
6
  License: GPL-3.0-or-later
@@ -46,8 +46,6 @@ Cette classe fournit :
46
46
 
47
47
  ---
48
48
 
49
- #### **Paramètres**
50
-
51
49
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
52
50
  |----------------------|--------------------------------------------------------------------------------------------------|---------------|--------------------------------------------------------------------------------|
53
51
  | `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` |
@@ -56,47 +54,36 @@ Cette classe fournit :
56
54
  | `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` |
57
55
  | `fourier_input_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | WIP. Default: `2` |
58
56
  | `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` |
59
- | `norm` | [`norm`](#norms-norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
57
+ | `norm` | [`norm`](#norms) | Oui | Type de normalisation / activation pour les couches cachées. Default: `'Relu'` |
60
58
  | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Oui | Nom du réseau pour identification ou affichage. Default: `'Net'` |
61
59
 
62
- #### **Attributs**
63
-
64
- - `losses : list[float]` — Historique des pertes cumulées lors de l'entraînement
65
- - `learnings : list[float]` — Historique des taux d'apprentissage utilisées lors de l'entraînement
66
- - `model : nn.Sequential` — MLP complet construit dynamiquement
67
- - `name : str` — Nom du réseau
68
-
69
- | **Attributs** | **Type** | **Description** |
70
- |---------------|--------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------|
71
- | `losses` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des pertes cumulées lors de l'entraînement |
72
- | `learnings` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des taux d'apprentissage utilisées lors de l'entraînement |
73
- | `model` | [`nn.Sequential`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sequential.html) | MLP complet construit dynamiquement |
74
- | `name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Nom du réseau |
60
+ | **Attributs** | **Type** | **Description** |
61
+ |-----------------|--------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------|
62
+ | `MLP.losses` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des pertes cumulées lors de l'entraînement |
63
+ | `MLP.learnings` | [`list[float]`](https://docs.python.org/3/library/stdtypes.html#sequence-types-list-tuple-range) | Historique des taux d'apprentissage utilisées lors de l'entraînement |
64
+ | `MLP.model` | [`nn.Sequential`](https://docs.pytorch.org/docs/stable/generated/torch.nn.Sequential.html) | MLP complet construit dynamiquement |
65
+ | `MLP.name` | [`str`](https://docs.python.org/3/library/stdtypes.html#text-sequence-type-str) | Nom du réseau |
75
66
 
76
67
  ---
77
68
 
78
69
  ### **Trainer**
79
70
 
80
- Cette classe fournit :
81
-
82
- - Méthode pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html)
83
-
84
- #### **Paramètres**
71
+ Classe pour entraîner des réseaux avec mini-batchs et [Automatic Mixed Precision](https://docs.pytorch.org/tutorials/recipes/recipes/amp_recipe.html).
85
72
 
86
73
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
87
74
  |----------------|-------------------------------------------------------------------------------------------------|---------------|-----------------------------------------------------------------------------------------------------------------|
88
- | `*nets` | [`MLP`](#mlp-mlp) | Non | Réseaux pour lesquels le trainer va entrainer. |
75
+ | `*nets` | [`MLP`](#mlp) | Non | Réseaux pour lesquels le trainer va entrainer. |
89
76
  | `inputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en entrée au réseau. |
90
77
  | `outputs` | [`numpy.array(list[float])`](https://numpy.org/doc/stable/reference/generated/numpy.array.html) | Non | Données en sortie au réseau. |
91
78
  | `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` |
92
- | `optim` | [`optim`](#optims-optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
79
+ | `optim` | [`optim`](#optims) | Oui | Nom de l’optimiseur à utiliser (doit exister dans `optims()`). Default: `'Adam'` |
93
80
  | `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` |
94
- | `crit` | [`crit`](#crits-crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
81
+ | `crit` | [`crit`](#crits) | Oui | Fonction de perte à utiliser (doit exister dans `crits()`). Default: `MSE'` |
95
82
  | `batch_size` | [`int`](https://docs.python.org/3/library/stdtypes.html#numeric-types-int-float-complex) | Oui | Taille des minibatchs. Default: `1024` |
96
83
 
97
84
  #### **Trainer.train**
98
85
 
99
- Lancement d'un entrainement avec le trainer définit
86
+ Lancement d'un entrainement avec le trainer définit.
100
87
 
101
88
  | **Paramètres** | **Type** | **Optionnel** | **Description** |
102
89
  |-----------------|------------------------------------------------------------------------------------------|---------------|-----------------------------------------|
@@ -172,7 +159,7 @@ Affiche les taux d'apprentissage en fonction des époques d'entrainement des ré
172
159
 
173
160
  ## **device**
174
161
 
175
- variable principale d'allocation des performances
162
+ Variable principale d'allocation des performances.
176
163
 
177
164
  ### **Apple Silicon (macOS)**
178
165
  - 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.
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/src/NeuralNetworks.egg-info/SOURCES.txt RENAMED
@@ -20,4 +20,6 @@ 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
23
+ src/NeuralNetworks/UI/__init__.py
24
+ src/NeuralNetworks/shared/__init__.py
25
+ src/NeuralNetworks/shared/module.py
neuralnetworks-0.2.4/src/NeuralNetworks/MLP/inference.py DELETED
@@ -1,26 +0,0 @@
1
- # NeuralNetworks - Multi-Layer Perceptrons avec encodage Fourier
2
- # Copyright (C) 2026 Alexandre Brun
3
- # This program is free software: you can redistribute it and/or modify
4
- # it under the terms of the GNU General Public License as published by
5
- # the Free Software Foundation, either version 3 of the License, or
6
- # (at your option) any later version.
7
-
8
- from ..Dependances import torch, np, device
9
-
10
- def infer (net, x):
11
- with torch.no_grad ():
12
- x = x.unsqueeze (0) if x.dim () == 1 else x
13
-
14
- net = net.to (device)
15
- x = x.to (device)
16
- results_list = [net.model (encoding (x)) for encoding in net.encodings]
17
- x = x.to ('cpu')
18
-
19
- output = np.array (
20
- net.f (
21
- torch.cat (results_list, dim = 1)
22
- ).cpu ().numpy ().flatten ()
23
- )
24
- net = net.to ('cpu')
25
-
26
- return output
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/LICENSE RENAMED
File without changes
{neuralnetworks-0.2.4 → neuralnetworks-0.2.6}/setup.cfg RENAMED
File without changes