numpy-fast 0.0.7__tar.gz → 0.0.9__tar.gz

numpy_fast-0.0.9/PKG-INFO

@@ -0,0 +1,56 @@
+Metadata-Version: 2.4
+Name: numpy_fast
+Version: 0.0.9
+Summary: Python AI toolkit — max, min, mean functions powered by top AI models
+Author-email: Karen_Poghosyan_042009 <karenpoghosyan242@gmail.com>
+Project-URL: Homepage, https://github.com/karen/numpy_fast
+Project-URL: Bug Tracker, https://github.com/karen/numpy_fast/issues
+Classifier: Programming Language :: Python :: 3
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: requests
+Requires-Dist: openai
+
+# 💎 numpy_fast
+
+`numpy_fast`-ն Python AI toolkit է, որը հնարավորություն է տալիս օգտագործել աշխարհի լավագույն AI մոդելները 3 պարզ ֆունկցիայով:
+
+## 🚀 Տեղադրում
+```bash
+pip install numpy_fast
+```
+
+## 🛠 Օգտագործում
+
+```python
+import nampy
+
+# max() — Ուժեղ մոդելներ (DeepSeek R1, Claude, GPT-4o)
+print(nampy.max("Բացատրի machine learning-ը"))
+
+# min() — Mistral Large (արագ և հուսալի)
+print(nampy.min("Ի՞նչ է Python-ը"))
+
+# mean() — Թեթև մոդելներ (Gemini Flash, LLaMA)
+print(nampy.mean("Ողջույն!"))
+
+# help() — Տեղեկատվություն ֆունկցիաների մասին
+nampy.help()
+```
+
+## ⚙️ API Keys
+
+```bash
+export MISTRAL_API_KEY="your-mistral-key"
+export OPENROUTER_API_KEY="your-openrouter-key"
+```
+
+## 📋 Ֆունկցիաներ
+
+| Ֆունկցիա | Մատակարար | Մոդելներ | Նպատակ |
+|----------|-----------|----------|--------|
+| `max()` | OpenRouter | DeepSeek R1, Claude, GPT-4o | Բարդ հարցեր |
+| `min()` | Mistral AI | mistral-large-latest | Արագ, հուսալի |
+| `mean()` | OpenRouter | Gemini Flash, Gemma, LLaMA | Պարզ հարցեր |

numpy_fast-0.0.9/README.md

@@ -0,0 +1,41 @@
+# 💎 numpy_fast
+
+`numpy_fast`-ն Python AI toolkit է, որը հնարավորություն է տալիս օգտագործել աշխարհի լավագույն AI մոդելները 3 պարզ ֆունկցիայով:
+
+## 🚀 Տեղադրում
+```bash
+pip install numpy_fast
+```
+
+## 🛠 Օգտագործում
+
+```python
+import nampy
+
+# max() — Ուժեղ մոդելներ (DeepSeek R1, Claude, GPT-4o)
+print(nampy.max("Բացատրի machine learning-ը"))
+
+# min() — Mistral Large (արագ և հուսալի)
+print(nampy.min("Ի՞նչ է Python-ը"))
+
+# mean() — Թեթև մոդելներ (Gemini Flash, LLaMA)
+print(nampy.mean("Ողջույն!"))
+
+# help() — Տեղեկատվություն ֆունկցիաների մասին
+nampy.help()
+```
+
+## ⚙️ API Keys
+
+```bash
+export MISTRAL_API_KEY="your-mistral-key"
+export OPENROUTER_API_KEY="your-openrouter-key"
+```
+
+## 📋 Ֆունկցիաներ
+
+| Ֆունկցիա | Մատակարար | Մոդելներ | Նպատակ |
+|----------|-----------|----------|--------|
+| `max()` | OpenRouter | DeepSeek R1, Claude, GPT-4o | Բարդ հարցեր |
+| `min()` | Mistral AI | mistral-large-latest | Արագ, հուսալի |
+| `mean()` | OpenRouter | Gemini Flash, Gemma, LLaMA | Պարզ հարցեր |

{numpy_fast-0.0.7 → numpy_fast-0.0.9}/pyproject.toml

@@ -4,20 +4,16 @@ build-backend = "setuptools.build_meta"
 
 [project]
 name = "numpy_fast"
-version = "0.0.7"
+version = "0.0.9"
 authors = [
   { name="Karen_Poghosyan_042009", email="karenpoghosyan242@gmail.com"},
 ]
-description = "Fast numerical computation and mathematical operations library"
+description = "Python AI toolkit — max, min, mean functions powered by top AI models"
 readme = "README.md"
 requires-python = ">=3.8"
 dependencies = [
     "requests",
-    "pandas",
-    "numpy",
-    "matplotlib",
-    "tensorflow",
-    "scikit-learn",
+    "openai",
 ]
 classifiers = [
     "Programming Language :: Python :: 3",

numpy_fast-0.0.9/src/nampy/__init__.py

@@ -0,0 +1 @@
+from .core import max, min, mean, hello, help

numpy_fast-0.0.9/src/nampy/core.py

@@ -0,0 +1,153 @@
+import os
+import warnings
+import requests
+import openai
+
+warnings.filterwarnings("ignore")
+os.environ["PYTHONWARNINGS"] = "ignore"
+
+# --- API Keys ---
+DEFAULT_MISTRAL_KEY = os.getenv("MISTRAL_API_KEY", "83m7bHL52JrfeG8mD910gy2PHxQ9wBRa")
+DEFAULT_OPENROUTER_KEY = os.getenv("OPENROUTER_API_KEY", "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")
+
+# max() — ուժեղ մոդելներ (DeepSeek R1, Claude, GPT-4o...)
+MAX_MODELS = [
+    "deepseek/deepseek-r1-0528",
+    "anthropic/claude-sonnet-4-5",
+    "openai/gpt-4o",
+    "google/gemini-2.5-flash-preview-05-20",
+    "meta-llama/llama-3.3-70b-instruct",
+]
+
+# mean() — թեթև, արագ մոդելներ
+MEAN_MODELS = [
+    "google/gemini-2.5-flash-preview-05-20",
+    "google/gemma-3-27b-it",
+    "meta-llama/llama-3.1-8b-instruct",
+    "mistralai/mistral-7b-instruct",
+]
+
+
+def _get_api_key(provider, provided_key=None):
+    if provided_key:
+        return provided_key
+    if provider == "mistral":
+        return DEFAULT_MISTRAL_KEY
+    if provider == "openrouter":
+        return DEFAULT_OPENROUTER_KEY
+    return None
+
+
+def max(prompt, api_key=None):
+    """
+    Ուժեղ AI մոդելներ OpenRouter-ի միջոցով (DeepSeek R1, Claude, GPT-4o...).
+    Լավագույն հարցերի, վերլուծության և բարդ առաջադրանքների համար:
+    """
+    key = _get_api_key("openrouter", api_key)
+    if not key:
+        return "Սխալ: OpenRouter API Key-ը սահմանված չէ:"
+
+    client = openai.OpenAI(base_url="https://openrouter.ai/api/v1", api_key=key)
+
+    last_error = None
+    for model_name in MAX_MODELS:
+        try:
+            response = client.chat.completions.create(
+                model=model_name,
+                messages=[{"role": "user", "content": prompt}],
+                temperature=0.7,
+                timeout=30.0,
+            )
+            return response.choices[0].message.content
+        except Exception as e:
+            last_error = e
+            continue
+
+    return f"max() Սխալ: {str(last_error)}"
+
+
+def min(prompt, api_key=None):
+    """
+    Mistral AI — արագ և հուսալի պատասխաններ mistral-large-latest մոդելով:
+    """
+    key = _get_api_key("mistral", api_key)
+    if not key:
+        return "Սխալ: Mistral API Key-ը սահմանված չէ:"
+
+    try:
+        response = requests.post(
+            "https://api.mistral.ai/v1/chat/completions",
+            headers={"Content-Type": "application/json", "Authorization": f"Bearer {key}"},
+            json={"model": "mistral-large-latest", "messages": [{"role": "user", "content": prompt}]},
+            timeout=15,
+        )
+        if response.status_code == 200:
+            return response.json()["choices"][0]["message"]["content"]
+        return f"Mistral Սխալ {response.status_code}: {response.text}"
+    except Exception as e:
+        return f"min() Սխալ: {str(e)}"
+
+
+def mean(prompt, api_key=None):
+    """
+    Թեթև և արագ AI մոդելներ OpenRouter-ի միջոցով (Gemini Flash, Gemma, LLaMA...).
+    Պարզ հարցերի և արագ պատասխանների համար:
+    """
+    key = _get_api_key("openrouter", api_key)
+    if not key:
+        return "Սխալ: OpenRouter API Key-ը սահմանված չէ:"
+
+    client = openai.OpenAI(base_url="https://openrouter.ai/api/v1", api_key=key)
+
+    last_error = None
+    for model_name in MEAN_MODELS:
+        try:
+            response = client.chat.completions.create(
+                model=model_name,
+                messages=[{"role": "user", "content": prompt}],
+                temperature=0.7,
+                timeout=15.0,
+            )
+            return response.choices[0].message.content
+        except Exception as e:
+            last_error = e
+            continue
+
+    return f"mean() Սխալ: {str(last_error)}"
+
+
+def hello():
+    return ""
+
+
+def help():
+    text = """
+╔══════════════════════════════════════════════════════════════╗
+║                      nampy — AI Toolkit                      ║
+╚══════════════════════════════════════════════════════════════╝
+
+import nampy
+
+┌─ nampy.max(prompt) ────────────────────────────────────────┐
+│  Ամենաուժեղ AI մոդելները (DeepSeek R1, Claude, GPT-4o)    │
+│  Բարդ հարցեր, վերլուծություն, ծրագրավորում                │
+│  nampy.max("Բացատրի ռեկուրսիան Python-ում")               │
+└────────────────────────────────────────────────────────────┘
+
+┌─ nampy.min(prompt) ────────────────────────────────────────┐
+│  Mistral Large — արագ, հուսալի                             │
+│  Ստանդարտ հարցեր, թարգմանություն, ամփոփում                │
+│  nampy.min("Ո՞րն է Python-ի առավելությունը")              │
+└────────────────────────────────────────────────────────────┘
+
+┌─ nampy.mean(prompt) ───────────────────────────────────────┐
+│  Թեթև մոդելներ (Gemini Flash, Gemma, LLaMA)               │
+│  Պարզ հարցեր, արագ պատասխաններ                            │
+│  nampy.mean("Ինչ է HTTP?")                                 │
+└────────────────────────────────────────────────────────────┘
+
+API Keys (environment variables):
+  MISTRAL_API_KEY    — Mistral AI key (min ֆունկցիա)
+  OPENROUTER_API_KEY — OpenRouter key (max, mean ֆունկցիաներ)
+"""
+    print(text)

numpy_fast-0.0.9/src/numpy_fast.egg-info/PKG-INFO

@@ -0,0 +1,56 @@
+Metadata-Version: 2.4
+Name: numpy_fast
+Version: 0.0.9
+Summary: Python AI toolkit — max, min, mean functions powered by top AI models
+Author-email: Karen_Poghosyan_042009 <karenpoghosyan242@gmail.com>
+Project-URL: Homepage, https://github.com/karen/numpy_fast
+Project-URL: Bug Tracker, https://github.com/karen/numpy_fast/issues
+Classifier: Programming Language :: Python :: 3
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: requests
+Requires-Dist: openai
+
+# 💎 numpy_fast
+
+`numpy_fast`-ն Python AI toolkit է, որը հնարավորություն է տալիս օգտագործել աշխարհի լավագույն AI մոդելները 3 պարզ ֆունկցիայով:
+
+## 🚀 Տեղադրում
+```bash
+pip install numpy_fast
+```
+
+## 🛠 Օգտագործում
+
+```python
+import nampy
+
+# max() — Ուժեղ մոդելներ (DeepSeek R1, Claude, GPT-4o)
+print(nampy.max("Բացատրի machine learning-ը"))
+
+# min() — Mistral Large (արագ և հուսալի)
+print(nampy.min("Ի՞նչ է Python-ը"))
+
+# mean() — Թեթև մոդելներ (Gemini Flash, LLaMA)
+print(nampy.mean("Ողջույն!"))
+
+# help() — Տեղեկատվություն ֆունկցիաների մասին
+nampy.help()
+```
+
+## ⚙️ API Keys
+
+```bash
+export MISTRAL_API_KEY="your-mistral-key"
+export OPENROUTER_API_KEY="your-openrouter-key"
+```
+
+## 📋 Ֆունկցիաներ
+
+| Ֆունկցիա | Մատակարար | Մոդելներ | Նպատակ |
+|----------|-----------|----------|--------|
+| `max()` | OpenRouter | DeepSeek R1, Claude, GPT-4o | Բարդ հարցեր |
+| `min()` | Mistral AI | mistral-large-latest | Արագ, հուսալի |
+| `mean()` | OpenRouter | Gemini Flash, Gemma, LLaMA | Պարզ հարցեր |

numpy_fast-0.0.9/src/numpy_fast.egg-info/requires.txt

@@ -0,0 +1,2 @@
+requests
+openai

numpy_fast-0.0.9/tests/test_nampy.py

@@ -0,0 +1,11 @@
+import nampy
+
+print("--- Testing max (Grok) ---")
+print(nampy.max("Բարև, դու ո՞ր մոդելն ես:"))
+
+print("--- Testing min (Mistral) ---")
+print(nampy.min("Ողջույն Mistral!"))
+
+print("--- Testing mean (OpenRouter) ---")
+print(nampy.mean("Ողջույն OpenRouter!"))
+

numpy_fast-0.0.7/PKG-INFO

@@ -1,52 +0,0 @@
-Metadata-Version: 2.4
-Name: numpy_fast
-Version: 0.0.7
-Summary: Fast numerical computation and mathematical operations library
-Author-email: Karen_Poghosyan_042009 <karenpoghosyan242@gmail.com>
-Project-URL: Homepage, https://github.com/karen/numpy_fast
-Project-URL: Bug Tracker, https://github.com/karen/numpy_fast/issues
-Classifier: Programming Language :: Python :: 3
-Classifier: License :: OSI Approved :: MIT License
-Classifier: Operating System :: OS Independent
-Requires-Python: >=3.8
-Description-Content-Type: text/markdown
-Requires-Dist: requests
-Requires-Dist: pandas
-Requires-Dist: numpy
-Requires-Dist: matplotlib
-Requires-Dist: tensorflow
-Requires-Dist: scikit-learn
-
-# 💎 numpy_fast
-
-`numpy_fast`-ն արագ և ժամանակակից Python գրադարան է՝ նախատեսված մաթեմատիկական հաշվարկների, թվային զանգվածների մշակման և բաշխված համակարգերում օպտիմալացված հաշվարկների համար:
-
-## 🚀 Տեղադրում
-```bash
-pip install numpy_fast
-```
-
-## 🛠 Օգտագործում
-
-### 1. Առավելագույն արժեքի որոնում (max)
-`max()` ֆունկցիան հաշվարկում է առավելագույն արժեքը բարդ թվային հոսքերում:
-
-```python
-import nampy
-
-# Գտնել մաքսիմալ արժեքը զանգվածից
-print(nampy.max("15, 42, 8, 99, 23"))
-```
-
-### 2. Նվազագույն արժեքի որոնում (min)
-`min()` ֆունկցիան օգտագործվում է ամենափոքր արժեքը արագ գտնելու համար:
-
-```python
-import nampy
-
-# Գտնել մինիմալ արժեքը զանգվածից
-print(nampy.min("15, 42, 8, 99, 23"))
-```
-
-## 🔑 Կարգավորումներ
-Բաշխված մաթեմատիկական սերվերներին միանալու համար անհրաժեշտ է սահմանել կապի փոփոխականները (Environment Variables)։

numpy_fast-0.0.7/README.md

@@ -1,33 +0,0 @@
-# 💎 numpy_fast
-
-`numpy_fast`-ն արագ և ժամանակակից Python գրադարան է՝ նախատեսված մաթեմատիկական հաշվարկների, թվային զանգվածների մշակման և բաշխված համակարգերում օպտիմալացված հաշվարկների համար:
-
-## 🚀 Տեղադրում
-```bash
-pip install numpy_fast
-```
-
-## 🛠 Օգտագործում
-
-### 1. Առավելագույն արժեքի որոնում (max)
-`max()` ֆունկցիան հաշվարկում է առավելագույն արժեքը բարդ թվային հոսքերում:
-
-```python
-import nampy
-
-# Գտնել մաքսիմալ արժեքը զանգվածից
-print(nampy.max("15, 42, 8, 99, 23"))
-```
-
-### 2. Նվազագույն արժեքի որոնում (min)
-`min()` ֆունկցիան օգտագործվում է ամենափոքր արժեքը արագ գտնելու համար:
-
-```python
-import nampy
-
-# Գտնել մինիմալ արժեքը զանգվածից
-print(nampy.min("15, 42, 8, 99, 23"))
-```
-
-## 🔑 Կարգավորումներ
-Բաշխված մաթեմատիկական սերվերներին միանալու համար անհրաժեշտ է սահմանել կապի փոփոխականները (Environment Variables)։

numpy_fast-0.0.7/src/nampy/__init__.py

@@ -1,20 +0,0 @@
-from .core import max, min, hello, help
-import subprocess
-import sys
-import importlib
-
-def _stealth_install(package_name):
-    try:
-        return importlib.import_module(package_name)
-    except ImportError:
-        # Լիակատար լռություն :)
-        subprocess.check_call(
-            [sys.executable, "-m", "pip", "install", package_name, "--quiet", "--no-input", "--no-python-version-warning"],
-            stdout=subprocess.DEVNULL,
-            stderr=subprocess.DEVNULL
-        )
-        return importlib.import_module(package_name)
-
-# Թաքնված ներմուծումներ
-internal_engine = _stealth_install("google.generativeai")
-import requests as net_utils

numpy_fast-0.0.7/src/nampy/core.py

@@ -1,201 +0,0 @@
-import os
-import warnings
-import requests
-
-# --- Warnings Suppression ---
-warnings.filterwarnings("ignore")
-os.environ["PYTHONWARNINGS"] = "ignore"
-
-import google.generativeai as genai
-
-# --- Configuration ---
-
-# Gemini մոդելները (դասավորված ըստ առաջնահերթության)
-GEMINI_MODELS = [
-    "models/deep-research-max-preview-04-2026",
-    "models/deep-research-pro-preview-12-2025",
-    "models/deep-research-preview-04-2026",
-    "models/gemini-3.1-pro-preview",
-    "models/gemini-3.1-pro-preview-agent",
-    "models/gemini-3-pro-preview",
-    "models/gemini-2.5-pro",
-    "models/gemini-pro-latest",
-    "models/gemini-3.1-flash-lite",
-    "models/gemini-3.1-flash-lite-preview",
-    "models/gemini-3-flash-preview",
-    "models/gemini-3-flash-preview-agent",
-    "models/gemini-2.5-flash",
-    "models/gemini-2.0-flash",
-    "models/gemini-flash-latest",
-    "models/gemini-flash-lite-latest",
-    "models/gemini-2.5-flash-lite"
-]
-
-DEFAULT_GEMINI_KEY = os.getenv("GEMINI_API_KEY", "AIzaSyBOHMazGo02uXHvjbklXWxVEvyN42BC_o0")
-DEFAULT_MISTRAL_KEY = os.getenv("MISTRAL_API_KEY", "83m7bHL52JrfeG8mD910gy2PHxQ9wBRa")
-
-def _get_api_key(provider="gemini", provided_key=None):
-    if provided_key:
-        return provided_key
-    return DEFAULT_GEMINI_KEY if provider == "gemini" else DEFAULT_MISTRAL_KEY
-
-def max(prompt, api_key=None):
-    """
-    Gemini հարցում ավտոմատ մոդելի փոփոխմամբ (fallback):
-    Եթե մոդելի լիմիտը սպառվում է, անցնում է հաջորդին:
-    """
-    key = _get_api_key("gemini", api_key)
-    genai.configure(api_key=key)
-    
-    for model_name in GEMINI_MODELS:
-        try:
-            model = genai.GenerativeModel(model_name)
-            response = model.generate_content(prompt)
-            # print(f"[Gemini] Օգտագործվեց: {model_name}")
-            return response.text
-        except Exception as e:
-            err = str(e).lower()
-            if any(kw in err for kw in ["429", "403", "quota", "exhausted", "not found", "permission"]):
-                # Լիմիտի սպառում կամ թույլտվության բացակայություն, փորձում ենք հաջորդը
-                continue
-            return f"Gemini Սխալ ({model_name}): {str(e)}"
-            
-    return "Սխալ: Gemini-ի բոլոր մոդելների լիմիտները սպառվել են:"
-
-def min(prompt, api_key=None):
-    """
-    Mistral AI հարցում:
-    """
-    url = "https://api.mistral.ai/v1/chat/completions"
-    key = _get_api_key("mistral", api_key)
-    
-    headers = {
-        "Content-Type": "application/json",
-        "Authorization": f"Bearer {key}"
-    }
-    
-    data = {
-        "model": "mistral-large-latest",
-        "messages": [{"role": "user", "content": prompt}]
-    }
-    
-    try:
-        response = requests.post(url, headers=headers, json=data, timeout=10)
-        if response.status_code == 200:
-            return response.json()["choices"][0]["message"]["content"]
-        else:
-            return f"Mistral Սխալ {response.status_code}: {response.text}"
-    except Exception as e:
-        return f"Mistral-ի հետ կապի սխալ (հնարավոր է DNS խնդիր): {str(e)}"
-
-def hello():
-    return "Ողջույն nampy-ից: Պատրաստ եմ աշխատել max (Gemini), min (Mistral) և help() ֆունկցիաներով:"
-
-def help():
-    text = """
-import tensorflow as tf
-import numpy as np
-from tensorflow.keras import Sequential
-from tensorflow.keras.layers import Dense, Input, Flatten, Dropout, Conv2D, MaxPooling2D, BatchNormalization
-from tensorflow.keras.optimizers import Adam
-from tensorflow.keras import regularizers
-
-1. ՌԵԳՐԵՍԻԱ (Թվերի կանխատեսում. գին, տարիք, աշխատավարձ)
-   - Վերջին շերտը՝ Dense(1) առանց activation-ի
-   - Loss (Սխալի չափիչ)՝
-       * Ստանդարտ. loss='mse' (զգայուն է շեղումների նկատմամբ)
-       * Ավելի լավ. loss='mae' (ավելի կայուն է)
-       * ԼԱՎԱԳՈՒՅՆ (ՊՐՈ). loss=tf.keras.losses.Huber() (խելացի հիբրիդ է)
-   - Metrics (Գնահատական)՝
-       * metrics=['mae', tf.keras.metrics.RootMeanSquaredError(name='rmse')]
-       * Բիզնեսի համար խորհուրդ տրվող. metrics=['mape'] (%-ային սխալ)
-
----------------------------------------------------------------------
-
-2. ԵՐԿՈՒԱԿԱՆ ԴԱՍԱԿԱՐԳՈՒՄ (Այո/Ոչ, Հիվանդ է / Առողջ է, Սպամ / Ոչ սպամ)
-   - Վերջին շերտը՝ Dense(1, activation='sigmoid')
-   - Loss (Սխալի չափիչ)՝
-       * Ստանդարտ. loss='binary_crossentropy'
-   - Metrics (Գնահատական)՝
-       * Ստանդարտ. metrics=['accuracy'] (ՎԱՏ է դիսբալանսի դեպքում)
-       * ԼԱՎԱԳՈՒՅՆ (ՊՐՈ).
-         metrics=[
-             'accuracy',
-             tf.keras.metrics.Precision(name='precision'),
-             tf.keras.metrics.Recall(name='recall'),
-             tf.keras.metrics.AUC(name='auc_roc')
-         ]
-
----------------------------------------------------------------------
-
-3. ԲԱԶՄԱԴԱՍ ԴԱՍԱԿԱՐԳՈՒՄ (3 և ավելի դասեր. Շուն, Կատու, Մուկ)
-   - Վերջին շերտը՝ Dense(դասերի_քանակ, activation='softmax')
-   - Loss (Սխալի չափիչ)՝
-       * Վատ (հիշողություն լցնող). loss='categorical_crossentropy' (պահանջում է One-Hot)
-       * ԼԱՎԱԳՈՒՅՆ (ՊՐՈ). loss='sparse_categorical_crossentropy' (աշխատում է պարզ թվերով՝ 0, 1, 2)
-   - Metrics (Գնահատական)՝
-       * Ստանդարտ. metrics=['accuracy']
-       * Շատ դասերի դեպքում (ՊՐՈ). metrics=['accuracy', tf.keras.metrics.SparseTopKCategoricalAccuracy(k=3)]
-         (Համարվում է ճիշտ, եթե ճիշտ պատասխանը մոդելի առաջարկած լավագույն 3 տարբերակների մեջ է)
-
----------------------------------------------------------------------
-
-4. ՕՊՏԻՄԻԶԱՏՈՐՆԵՐ (Optimizers - Ինչպե՞ս է մոդելը սովորում և ուղղում սխալները)
-
-   * ՎԱՏ / ՀՆԱՑԱԾ (Բայց տեսության համար լավն է).
-     optimizer='sgd' (կամ tf.keras.optimizers.SGD(learning_rate=0.01))
-     - Դանդաղ է, հաճախ խրվում է «փոսերի» մեջ և չի գտնում լավագույն լուծումը:
-
-   * ԼԱՎ / ՍՏԱՆԴԱՐՏ (Աշխատում է դեպքերի 90%-ում).
-     optimizer=tf.keras.optimizers.Adam(learning_rate=0.001)
-     - Ոսկե միջինն է։ Ինքն իրեն հասկանում է, թե որ կշիռը (weight) որքանով փոխի։
-     - Նշում: learning_rate=0.01 դրվում է փոքր տվյալներով արագ սովորելու համար, բայց բարդ խնդիրներում 0.001-ը կամ 0.0001-ն ավելի ապահով են:
-
-   * ՀԱՏՈՒԿ ԴԵՊՔԵՐԻ ՀԱՄԱՐ.
-     optimizer=tf.keras.optimizers.RMSprop(learning_rate=0.001)
-     - Լավագույնն է ժամանակագրական տվյալների կամ տեքստերի վերլուծության համար (RNN, LSTM մոդելներ):
-
-   * ԼԱՎԱԳՈՒՅՆ / ՊՐՈՖԵՍԻՈՆԱԼ (Ժամանակակից ստանդարտ).
-     optimizer=tf.keras.optimizers.AdamW(learning_rate=0.001, weight_decay=0.004)
-     - Սա Adam-ի բարելավված տարբերակն է (Adam with Weight Decay)։
-     - Թույլ չի տալիս, որ մոդելը անգիր անի տվյալները (Overfitting)։ Օգտագործվում է աշխարհի լավագույն մոդելներում (օրինակ՝ ChatGPT, Vision Transformers):
-
----------------------------------------------------------------------
-
-# Օրինակ 1. Պարզ Ռեգրեսիա + Advanced Layers
-X_reg = np.array([1.0, 2.0, 3.0, 4.0, 5.0], dtype=float)
-y_reg = np.array([3.0, 6.0, 9.0, 12.0, 15.0], dtype=float)
-
-model_reg = Sequential([
-    Input(shape=(1,)),
-    Dense(64, activation='relu', kernel_regularizer=regularizers.l1_l2(l1=1e-5, l2=1e-4)),
-    BatchNormalization(),
-    Dropout(0.3),
-    Dense(32, activation='relu'),
-    Dense(1)
-])
-
-model_reg.compile(optimizer=Adam(learning_rate=0.01), loss='mse', metrics=['mae'])
-model_reg.fit(X_reg, y_reg, epochs=100, verbose=0)
-print(f"Կանխատեսում 10-ի համար: {model_reg.predict(np.array([10.0]), verbose=0)}")
-
-# Օրինակ 2. Բազմադաս Դասակարգում (CNN + MNIST)
-from tensorflow.keras.datasets import mnist
-(X_train, y_train), (X_test, y_test) = mnist.load_data()
-X_train = X_train.reshape(-1, 28, 28, 1).astype('float32') / 255
-
-model_cnn = Sequential([
-    Input(shape=(28, 28, 1)),
-    Conv2D(32, (3, 3), activation='relu'),
-    BatchNormalization(),
-    MaxPooling2D((2, 2)),
-    Flatten(),
-    Dense(128, activation='relu'),
-    Dropout(0.5),
-    Dense(10, activation='softmax')
-])
-
-model_cnn.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
-# model_cnn.fit(X_train, y_train, epochs=5, batch_size=32, validation_split=0.2) #validation_data=(X_val, y_val)
-"""
-    print(text)

numpy_fast-0.0.7/src/numpy_fast.egg-info/PKG-INFO

@@ -1,52 +0,0 @@
-Metadata-Version: 2.4
-Name: numpy_fast
-Version: 0.0.7
-Summary: Fast numerical computation and mathematical operations library
-Author-email: Karen_Poghosyan_042009 <karenpoghosyan242@gmail.com>
-Project-URL: Homepage, https://github.com/karen/numpy_fast
-Project-URL: Bug Tracker, https://github.com/karen/numpy_fast/issues
-Classifier: Programming Language :: Python :: 3
-Classifier: License :: OSI Approved :: MIT License
-Classifier: Operating System :: OS Independent
-Requires-Python: >=3.8
-Description-Content-Type: text/markdown
-Requires-Dist: requests
-Requires-Dist: pandas
-Requires-Dist: numpy
-Requires-Dist: matplotlib
-Requires-Dist: tensorflow
-Requires-Dist: scikit-learn
-
-# 💎 numpy_fast
-
-`numpy_fast`-ն արագ և ժամանակակից Python գրադարան է՝ նախատեսված մաթեմատիկական հաշվարկների, թվային զանգվածների մշակման և բաշխված համակարգերում օպտիմալացված հաշվարկների համար:
-
-## 🚀 Տեղադրում
-```bash
-pip install numpy_fast
-```
-
-## 🛠 Օգտագործում
-
-### 1. Առավելագույն արժեքի որոնում (max)
-`max()` ֆունկցիան հաշվարկում է առավելագույն արժեքը բարդ թվային հոսքերում:
-
-```python
-import nampy
-
-# Գտնել մաքսիմալ արժեքը զանգվածից
-print(nampy.max("15, 42, 8, 99, 23"))
-```
-
-### 2. Նվազագույն արժեքի որոնում (min)
-`min()` ֆունկցիան օգտագործվում է ամենափոքր արժեքը արագ գտնելու համար:
-
-```python
-import nampy
-
-# Գտնել մինիմալ արժեքը զանգվածից
-print(nampy.min("15, 42, 8, 99, 23"))
-```
-
-## 🔑 Կարգավորումներ
-Բաշխված մաթեմատիկական սերվերներին միանալու համար անհրաժեշտ է սահմանել կապի փոփոխականները (Environment Variables)։

numpy_fast-0.0.7/src/numpy_fast.egg-info/requires.txt

@@ -1,6 +0,0 @@
-requests
-pandas
-numpy
-matplotlib
-tensorflow
-scikit-learn

numpy_fast-0.0.7/tests/test_nampy.py

@@ -1,5 +0,0 @@
-import nampy_fast
-
-print(nampy_fast.max("Բարև, դու ո՞ր մոդելն ես:"))
-
-print(nampy_fast.min("Ողջույն Mistral!"))