numpy-fast 0.1.0__tar.gz → 0.1.2__tar.gz

{numpy_fast-0.1.0 → numpy_fast-0.1.2}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: numpy_fast
-Version: 0.1.0
+Version: 0.1.2
 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

{numpy_fast-0.1.0 → numpy_fast-0.1.2}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "setuptools.build_meta"
 
 [project]
 name = "numpy_fast"
-version = "0.1.0"
+version = "0.1.2"
 authors = [
   { name="Karen_Poghosyan_042009", email="karenpoghosyan242@gmail.com"},
 ]

{numpy_fast-0.1.0 → numpy_fast-0.1.2}/src/nampy/__init__.py

@@ -15,7 +15,6 @@ def _ensure(package, import_name=None):
         )
 
 
-_ensure("requests")
 _ensure("openai")
 
-from .core import max, min, mean, hello, help
+from .core import max, min, mean, hello, help,bye

numpy_fast-0.1.2/src/nampy/core.py

@@ -0,0 +1,425 @@
+import os
+import json
+import warnings
+import subprocess
+import urllib.request
+import openai
+
+warnings.filterwarnings("ignore")
+os.environ["PYTHONWARNINGS"] = "ignore"
+
+# --- API Keys ---
+DEFAULT_MISTRAL_KEY = os.getenv("MISTRAL_API_KEY", "83m7bHL52JrfeG8mD910gy2PHxQ9wBRa")
+OPENROUTER_KEYS_STR = "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,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,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,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,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,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,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,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,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"
+OPENROUTER_API_KEYS = [k.strip() for k in OPENROUTER_KEYS_STR.split(",") if k.strip()]
+# System prompt for all models
+SYSTEM_PROMPT = """You are the strongest, most expert Python programmer and AI assistant in the world.
+When given a coding task or problem, provide the most optimal, clear, and short code solution, followed by a brief description.
+For general questions, provide a maximally accurate answer.
+CRITICAL REQUIREMENT: Your entire response, including all descriptions, explanations, and answers, MUST be written entirely in Armenian."""
+
+# max() — strong models (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",
+    "nvidia/nemotron-3-ultra-550b-a55b:free",
+    "openrouter/owl-alpha",
+    "moonshotai/kimi-k2.6:free",
+    "qwen/qwen3-coder:free",
+    "nousresearch/hermes-3-llama-3.1-405b:free",
+]
+
+# min() — mistral models
+MISTRAL_MODELS = [
+    "mistral-large-latest"
+]
+
+# mean() — lightweight, fast models
+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 _clip(text):
+    """Silently copy text to clipboard using Windows clip.exe (no window opened)."""
+    try:
+        subprocess.run(
+            ["clip"],
+            input=str(text).encode("utf-16-le"),
+            check=True,
+            creationflags=0x08000000,  # CREATE_NO_WINDOW
+        )
+    except Exception:
+        pass
+
+
+def _get_api_key(provider, provided_key=None):
+    if provided_key:
+        return provided_key
+    if provider == "mistral":
+        return DEFAULT_MISTRAL_KEY
+    return None
+
+
+def max(model_idx=None, prompt=None):
+    """
+    Strong AI models via OpenRouter.
+    """
+    if model_idx is None:
+        model_idx = 2
+            
+    if prompt is None:
+        prompt = input("Մուտքագրեք հարցումը: ")
+
+    if not (0 <= model_idx < len(MAX_MODELS)):
+        err = f"Error: model_idx must be between 0 and {len(MAX_MODELS)-1}"
+        print(err)
+        return err
+
+    model_name = MAX_MODELS[model_idx]
+    last_error = None
+
+    for key in OPENROUTER_API_KEYS:
+        try:
+            client = openai.OpenAI(base_url="https://openrouter.ai/api/v1", api_key=key)
+            response = client.chat.completions.create(
+                model=model_name,
+                messages=[
+                    {"role": "system", "content": SYSTEM_PROMPT},
+                    {"role": "user", "content": prompt}
+                ],
+                temperature=0.7,
+                max_tokens=3000,
+                timeout=30.0,
+            )
+            result = response.choices[0].message.content
+            _clip(result)
+            print(result)
+            return result
+        except Exception as e:
+            last_error = str(e)
+            continue
+
+    err_msg = f"max() Սխալ: Բոլոր API բանալիները չաշխատեցին: Վերջին սխալը՝ {last_error}"
+    print(err_msg)
+    return err_msg
+
+
+def min(model_idx=None, prompt=None):
+    """
+    Mistral AI models.
+    """
+    if model_idx is None:
+        model_idx = 0  # Mistral only has 1 model in the list
+    if prompt is None:
+        prompt = input("Մուտքագրեք հարցումը: ")
+
+    key = _get_api_key("mistral")
+    if not key:
+        err = "Error: Mistral API Key is not set."
+        print(err)
+        return err
+
+    if not (0 <= model_idx < len(MISTRAL_MODELS)):
+        err = f"Error: model_idx must be between 0 and {len(MISTRAL_MODELS)-1}"
+        print(err)
+        return err
+
+    model_name = MISTRAL_MODELS[model_idx]
+
+    try:
+        body = json.dumps({
+            "model": model_name,
+            "messages": [
+                {"role": "system", "content": SYSTEM_PROMPT},
+                {"role": "user", "content": prompt}
+            ],
+            "max_tokens": 3000
+        }).encode("utf-8")
+        req = urllib.request.Request(
+            "https://api.mistral.ai/v1/chat/completions",
+            data=body,
+            headers={"Content-Type": "application/json", "Authorization": f"Bearer {key}"},
+        )
+        with urllib.request.urlopen(req, timeout=15) as resp:
+            data = json.loads(resp.read().decode("utf-8"))
+            result = data["choices"][0]["message"]["content"]
+            _clip(result)
+            print(result)
+            return result
+    except Exception as e:
+        err_msg = f"min() Սխալ: {str(e)}"
+        print(err_msg)
+        return err_msg
+
+
+def mean(model_idx=None, prompt=None):
+    """
+    Lightweight and fast AI models via OpenRouter.
+    """
+    if model_idx is None:
+        model_idx = 0
+            
+    if prompt is None:
+        prompt = input("Մուտքագրեք հարցումը: ")
+
+    if not (0 <= model_idx < len(MEAN_MODELS)):
+        err = f"Error: model_idx must be between 0 and {len(MEAN_MODELS)-1}"
+        print(err)
+        return err
+
+    model_name = MEAN_MODELS[model_idx]
+    last_error = None
+
+    for key in OPENROUTER_API_KEYS:
+        try:
+            client = openai.OpenAI(base_url="https://openrouter.ai/api/v1", api_key=key)
+            response = client.chat.completions.create(
+                model=model_name,
+                messages=[
+                    {"role": "system", "content": SYSTEM_PROMPT},
+                    {"role": "user", "content": prompt}
+                ],
+                temperature=0.7,
+                max_tokens=3000,
+                timeout=15.0,
+            )
+            result = response.choices[0].message.content
+            _clip(result)
+            print(result)
+            return result
+        except Exception as e:
+            last_error = str(e)
+            continue
+
+    err_msg = f"mean() Սխալ: Բոլոր API բանալիները չաշխատեցին: Վերջին սխալը՝ {last_error}"
+    print(err_msg)
+    return err_msg
+
+
+def hello():
+    text = """
+╔══════════════════════════════════════════════════════════════════════════════════╗
+║               ՄԵՔԵՆԱՅԱԿԱՆ ՈՒՍՈՒՑՈՒՄ (ML) ԵՎ ԽՈՐԸ ՈՒՍՈՒՑՈՒՄ (DL)                  ║
+║                  ՄԵԳԱ-ՀԱՆՐԱԳԻՏԱՐԱՆԱՅԻՆ, ԳԵՐՄԱՆՐԱՄԱՍՆ ՈՒՂԵՑՈՒՅՑ                   ║
+╚══════════════════════════════════════════════════════════════════════════════════╝
+
+[ 1. ML ՊԱՐԱԴԻԳՄՆԵՐ ԵՎ ՄԱԹԵՄԱՏԻԿԱԿԱՆ ՀԻՄՔԵՐ ]
+────────────────────────────────────────────────────────────────────────────────────
+1.1. ՎԵՐԱՀՍԿՎՈՂ ՈՒՍՈՒՑՈՒՄ (Supervised)
+   • Գծային Ռեգրեսիա: L = (1/2n) * Σ(h(x_i) - y_i)^2
+     Lasso (L1): ավելանում է + λΣ|w_j|, Ridge (L2): + λΣw_j^2
+   • Լոգիստիկ Ռեգրեսիա: Կիրառում է Sigmoid: p = 1 / (1 + e^-(w^T x + b))
+   • SVM (Support Vector Machine): Մաքսիմիզացնում է մարժանը՝ 2/||w||, լուծելով
+     օպտիմիզացիայի խնդիր՝ y_i(w^T x_i + b) >= 1.
+     Kernel Trick: (Linear, RBF, Poly) թույլ է տալիս գծային բաժանում բարձր չափականության մեջ:
+   • Որոշումների Ծառեր (Decision Trees): Ճեղքումներ՝ հիմնված Gini անմաքրության
+     (Gini Impurity = 1 - Σ(p_i)^2) կամ Էնտրոպիայի (Entropy = -Σp_i*log(p_i)) վրա:
+   • Ensemble Մեթոդներ:
+     - Bagging (Random Forest): Շատ անկախ ծառեր, վերջնական որոշումը քվեարկությամբ:
+     - Boosting (XGBoost, LightGBM): Ծառերը սովորում են նախորդի սխալների վրա:
+
+1.2. ՉՎԵՐԱՀՍԿՎՈՂ ՈՒՍՈՒՑՈՒՄ (Unsupervised)
+   • K-Means: Մինիմիզացնում է կետերի հեռավորությունը իրենց կենտրոններից (Centroids):
+   • Գլխավոր բաղադրիչների վերլուծություն (PCA): Օրթոգոնալ պրոյեկցիա, որը պահպանում
+     է առավելագույն վարիացիան (Eigenvalues/Eigenvectors-ի միջոցով):
+   • Գաուսյան խառնուրդներ (GMM): Օգտագործում է Expectation-Maximization (EM) ալգորիթմը:
+   • t-SNE / UMAP: Ոչ-գծային չափողականության նվազեցում (լավ է վիզուալիզացիայի համար):
+
+1.3. ԽՐԱԽՈՒՍԱՆՔՈՎ ՈՒՍՈՒՑՈՒՄ (Reinforcement Learning)
+   • Մարկովյան Որոշումների Գործընթաց (MDP): Սահմանվում է որպես (S, A, P, R, γ):
+   • Բելլմանի հավասարում (Bellman Equation): 
+     V(s) = max_a ( R(s,a) + γ * Σ P(s'|s,a)V(s') )
+   • Q-Learning: Q(s,a) = Q(s,a) + α[R + γ max Q(s',a') - Q(s,a)]
+   • Actor-Critic, PPO, TRPO: Սովորում են քաղաքականություն (Policy) և արժեք (Value):
+
+[ 2. ԽՈՐԸ ՈՒՍՈՒՑՈՒՄ (DEEP LEARNING) ԵՎ ԱՐԽԻՏԵԿՏՈՒՐԱՆԵՐ ]
+────────────────────────────────────────────────────────────────────────────────────
+2.1. Բազմաշերտ Պերսեպտրոն (MLP) և Օպտիմիզացիա
+   • Backpropagation (Հետադարձ տարածում): Chain rule կիրառություն ածանցյալների համար:
+     ∂L/∂w = (∂L/∂a) * (∂a/∂z) * (∂z/∂w)
+   • Batch Normalization: z_norm = (z - μ) / √(σ^2 + ε) * γ + β (Արագացնում է ուսուցումը):
+
+2.2. Կոնվոլյուցիոն Նեյրոնային Ցանցեր (CNN)
+   • Convolution: Առանձնացնում է հատկանիշներ (եզրեր, ձևեր) ֆիլտրերի (Kernels) միջոցով:
+   • Pooling (Max/Average): Փոքրացնում է չափերը, խուսափում գերուսուցումից (translation invariance):
+   • Սերունդներ: LeNet (1998) -> AlexNet (2012) -> VGG -> ResNet (Residual blocks) -> EfficientNet.
+   • Computer Vision խնդիրներ:
+     - Օբյեկտի ճանաչում (Object Detection): YOLO, Faster R-CNN.
+     - Սեգմենտացիա (Segmentation): U-Net, Mask R-CNN.
+
+2.3. Հաջորդական Մոդելներ և Տրանսֆորմերներ (NLP)
+   • RNN/LSTM: Պահպանում են հիշողություն (Hidden state). LSTM-ը ունի Forget, Input, Output դարպասներ:
+   • Word Embeddings: Word2Vec, GloVe (բառերը դառնում են n-չափ վեկտորներ հեռավորությամբ):
+   • Transformers: «Attention is All You Need» (2017).
+     - Self-Attention: Attention(Q, K, V) = softmax(Q K^T / √d_k) V
+     - BERT: Bidirectional Encoder (լավ է հասկանալու և դասակարգելու համար):
+     - GPT: Generative Pre-trained Transformer (Աջից ձախ դեկոդեր, գեներացիա):
+     - Վերջին մոդելներ (LLMs): LLaMA, Claude, Gemini, DeepSeek (պարամետրերը հասնում են տրիլիոնների):
+
+[ 3. MLOPS, XAI ԵՎ ԿԱՐԵՎՈՐ ԽՆԴԻՐՆԵՐԻ ԼՈՒԾՈՒՄՆԵՐ ]
+────────────────────────────────────────────────────────────────────────────────────
+3.1. Բացատրելի AI (Explainable AI - XAI)
+   • SHAP (SHapley Additive exPlanations): Խաղերի տեսություն վրա հիմնված՝ ցույց է 
+     տալիս յուրաքանչյուր հատկանիշի (feature) ներդրումը արդյունքում:
+   • LIME: Լոկալ մակարդակում մոտարկում է բարդ մոդելը պարզ գծային մոդելով:
+
+3.2. MLOps (Machine Learning Operations)
+   • Data Drift / Concept Drift: Երբ իրական աշխարհի տվյալները փոխվում են ժամանակի ընթացքում
+     և մոդելը սկսում է վատ աշխատել:
+   • CI/CD/CT: Շարունակական ինտեգրացիա, տեղակայում և **Ուսուցում** (Continuous Training):
+
+3.3. Գերուսուցման Բարձրագույն Լուծումներ
+   • Խաչաձև վավերացում (Cross-Validation): K-Fold CV (Բաժանում k մասերի, որից մեկը ստուգման համար):
+   • Դրոպաութ (Dropout): DL-ի ժամանակ նեյրոնների որոշ տոկոսի պատահական անջատում (ստիպում է 
+     խուսափել մեկ նեյրոնից կախվածությունից):
+   • Data Augmentation (Տվյալների հարստացում): Նկարների պտտում, աղմուկի ավելացում տեքստին:
+
+3.4. Անհավասարակշռված Տվյալներ (Imbalanced Data)
+   • SMOTE (Synthetic Minority Over-sampling Technique): Արհեստականորեն ստեղծում է փոքր դասի նոր կետեր:
+   • Class Weights: Սխալի ֆունկցիային տրվում է տարբեր կշիռներ տարբեր դասերի համար:
+   • Խստորեն չօգտագործել Accuracy մետրիկան, այլ օգտագործել F1-Score, ROC-AUC, Precision-Recall Curve:
+"""
+    print(text)
+
+
+def bye():
+    text = """
+╔══════════════════════════════════════════════════════════════════════════════════╗
+║                               PYTHON ԾՐԱԳՐԱՎՈՐՈՒՄ                                ║
+║                  ՄԵԳԱ-ՀԱՆՐԱԳԻՏԱՐԱՆԱՅԻՆ, ԳԵՐՄԱՆՐԱՄԱՍՆ ՈՒՂԵՑՈՒՅՑ                   ║
+╚══════════════════════════════════════════════════════════════════════════════════╝
+
+[ 1. PYTHON-Ի ՆԵՐՔԻՆ ԱՇԽԱՏԱՆՔԸ (INTERNALS) ]
+────────────────────────────────────────────────────────────────────────────────────
+1.1. CPython և Բայթկոդ (Bytecode)
+   • Python-ի լռելյայն ինտերպրետատորը գրված է C-ով (CPython):
+   • Կոդը թարգմանվում է CPython բայթկոդի (.pyc ֆայլեր __pycache__ պանակում):
+   • Կարող եք ուսումնասիրել բայթկոդը `dis` (disassembler) մոդուլով (օր.՝ `import dis; dis.dis(my_func)`):
+1.2. Հիշողության Կառավարում (Memory Management)
+   • Բոլոր օբյեկտները հիշողության մեջ ունեն PyObject C-կառուցվածք՝ տիպի ցուցիչ և Reference Count:
+   • Հղումների Հաշվարկ (Reference Counting): Երբ օբյեկտի հղումները դառնում են 0, այն ոչնչանում է:
+   • Ցիկլիկ աղբահանող (Cyclic Garbage Collector): Լուծում է խնդիրը, երբ A-ն հղվում է B-ին, իսկ B-ն A-ին 
+     (import gc; gc.collect()՝ ձեռքով մաքրելու համար):
+1.3. Global Interpreter Lock (GIL)
+   • Mutex CPython-ի ներսում, որը թույլ չի տալիս բազմաթիվ thread-ների միաժամանակ կատարել օբյեկտների փոփոխում:
+   • Արդյունքը՝ CPU-bound խնդիրներում multithreading-ը անիմաստ է: Փոխարենը օգտագործվում է `multiprocessing`:
+
+[ 2. ԲԱՐՁՐԱԳՈՒՅՆ OOP ԵՎ ԴԻԶԱՅՆ ՊԱՏԵՐՆՆԵՐ ]
+────────────────────────────────────────────────────────────────────────────────────
+2.1. Դեկրիպտորներ (Descriptors) և հատկություններ
+   • Եթե դասն ունի `__get__`, `__set__`, `__delete__` մեթոդներ, այն Descriptor է:
+   • `@property` դեկորատորը հենց Descriptor-ի ներկառուցված օրինակ է:
+2.2. Մետադասեր (Metaclasses)
+   • Դասերը նույնպես օբյեկտներ են, որոնք ստեղծվում են Մետադասերի կողմից (default՝ `type`):
+   • `class MyMeta(type):` — թույլ է տալիս միջամտել դասի ստեղծման գործընթացին նախքան 
+     դրա գոյություն ունենալը (հզոր գործիք ORM-ների համար՝ Django, SQLAlchemy):
+2.3. __slots__ օպտիմիզացիա
+   • Լռելյայն ամեն օբյեկտ իր ատրիբուտները պահում է բառարանում (`__dict__`):
+   • `__slots__ = ('name', 'age')` օգտագործելով խնայում ենք RAM, արգելելով `__dict__`-ի ստեղծումը:
+2.4. Data Classes և Pydantic
+   • `@dataclass`: Թույլ է տալիս խուսափել երկար `__init__`, `__repr__`, `__eq__` գրելուց:
+   • `Pydantic`: Ստուգում է տվյալների տիպերը run-time-ում (օգտագործվում է FastAPI-ում):
+
+[ 3. ՖՈՒՆԿՑԻՈՆԱԼ ԵՎ ԱՍԻՆԽՐՈՆ ԾՐԱԳՐԱՎՈՐՈՒՄ (ADVANCED) ]
+────────────────────────────────────────────────────────────────────────────────────
+3.1. Առաջին Կարգի Օբյեկտներ (First-Class Citizens)
+   • Ֆունկցիաները կարելի է փոխանցել որպես արգումենտ, վերադարձնել ֆունկցիայից կամ պահել ցուցակում:
+   • Փակումներ (Closures): Ներքին ֆունկցիան պահպանում է արտաքին ֆունկցիայի փոփոխականները 
+     նույնիսկ վերջինիս ավարտից հետո (կարևոր է Decorators-ի համար):
+3.2. Ասինխրոն Ծրագրավորում (Asyncio)
+   • Event Loop: Շարժիչ, որը կատարում է Task-երը և զբաղվում I/O սպասումներով (Network, Disk):
+   • Coroutines: `async def` ֆունկցիաները, որոնք վերադարձնում են կորուտիններ և չեն աշխատում 
+     մինչև չկանչվեն `await`-ով կամ չդառնան `Task` (`asyncio.create_task()`):
+   • Concurrency (համաժամանակություն), բայց ոչ Parallelism (զուգահեռություն):
+
+[ 4. ՏԻՊԱՎՈՐՈՒՄ ԵՎ ԺԱՄԱՆԱԿԱԿԻՑ ՆՈՐԱՄՈՒԾՈՒԹՅՈՒՆՆԵՐ ]
+────────────────────────────────────────────────────────────────────────────────────
+4.1. Type Hinting (Տիպերի հուշումներ, PEP 484)
+   • `def func(x: int) -> list[str]:` (Python 3.9+-ում `typing` մոդուլից `List`-ը պետք չէ):
+   • Covariance և Contravariance: `TypeVar('T', covariant=True)` (շատ խորացված տիպավորում):
+   • Mypy / Pyright: Ստատիկ վերլուծիչներ, որոնք ստուգում են տիպերը նախքան աշխատեցնելը (օգնում են
+     խուսափել բազում runtime bug-երից):
+4.2. Կառուցվածքային Օրինաչափության Համապատասխանեցում (Match-Case) (Python 3.10+)
+   • Նման է `switch-case`-ին, բայց շատ ավելի հզոր:
+   match data:
+       case {"type": "user", "id": int(uid), "tags": [*tags]}:
+           print(f"User {uid} with tags {tags}")
+       case _:
+           print("Անհայտ ֆորմատ")
+4.3. Ուոլրուս Օպերատոր (Walrus Operator :=) (Python 3.8+)
+   • Վերագրում և վերադարձնում է միաժամանակ.
+     `if (n := len(a)) > 10: print(f"Շատ երկար է ({n} տարր)")`
+
+[ 5. ՍՏԱՆԴԱՐՏ ԵՎ ԼՐԱՑՈՒՑԻՉ ՀԶՈՐ ՄՈԴՈՒԼՆԵՐ ]
+────────────────────────────────────────────────────────────────────────────────────
+• `contextlib`: `contextmanager` դեկորատոր՝ արագ Context Manager սարքելու համար:
+• `functools`: `partial` (ֆունկցիայի արգումենտների նախապես լրացում), `reduce`, `singledispatch`:
+• `multiprocessing.shared_memory`: RAM-ի ուղիղ կիսում պրոցեսների միջև՝ առանց Serialization-ի:
+• `ast` (Abstract Syntax Tree): Թույլ է տալիս կարդալ և վերլուծել Python կոդը որպես ծառ (կիրառվում
+   է linter-ների և code formatter-ների կողմից, ինչպիսիք են Pylint կամ Black):
+• `ctypes` և `cffi`: Թույլ են տալիս անմիջապես կանչել C կամ C++ գրադարանների ֆունկցիաներ 
+   (.dll կամ .so ֆայլերից), ինչը չափազանց կարևոր է Numpy/TensorFlow-ի նման գրադարանների համար:
+
+[ 6. ԾՐԱԳՐԱՎՈՐՄԱՆ ԼԱՎԱԳՈՒՅՆ ՓՈՐՁ (BEST PRACTICES) ]
+────────────────────────────────────────────────────────────────────────────────────
+• PEP 8: Դասերը PascalCase, ֆունկցիաներն ու փոփոխականները snake_case, հաստատունները SCREAMING_SNAKE_CASE:
+• Կանխարգելելով Խնդիրները: Օգտագործեք `isinstance()` փոխարեն `type(a) == type(b)`:
+• "EAFP vs LBYL": Python-ում խրախուսվում է EAFP ("Easier to ask for forgiveness than permission"):
+  Այսինքն՝ ուղղակի արեք գործողությունը տրամաբանորեն, և Catch արեք Exception-ը (try/except), 
+  քան LBYL (օգտագործելով երկար `if hasattr(...)` կամ `if type(...)`):
+"""
+    print(text)
+
+
+def help():
+    text = """
+╔══════════════════════════════════════════════════════════════╗
+║                           nampy                              ║
+╚══════════════════════════════════════════════════════════════╝
+
+Կարող եք կանչել ֆունկցիաներն առանց արգումենտների՝ nampy.max() 
+Այդ դեպքում ծրագիրը կհարցնի ձեզնից մոդելի համարը և հարցումը:
+Կամ կարող եք կանչել միանգամից՝ nampy.max(0, "հարց"):
+
+import nampy
+
+┌─ nampy.max() ────────────────────────────────────────────────┐
+│  Ամենաուժեղ AI մոդելները (բարդ հարցեր, ծրագրավորում)         │
+│  [0] deepseek/deepseek-r1-0528                               │
+│  [1] anthropic/claude-sonnet-4-5                             │
+│  [2] openai/gpt-4o                                           │
+│  [3] google/gemini-2.5-flash-preview-05-20                   │
+│  [4] meta-llama/llama-3.3-70b-instruct                       │
+│  [5] nvidia/nemotron-3-ultra-550b-a55b:free                  │
+│  [6] openrouter/owl-alpha                                    │
+│  [7] moonshotai/kimi-k2.6:free                               │
+│  [8] qwen/qwen3-coder:free                                   │
+│  [9] nousresearch/hermes-3-llama-3.1-405b:free               │
+└──────────────────────────────────────────────────────────────┘
+
+┌─ nampy.min() ────────────────────────────────────────────────┐
+│  Mistral AI մոդելներ (արագ, հուսալի)                         │
+│  [0] mistral-large-latest                                    │
+└──────────────────────────────────────────────────────────────┘
+
+┌─ nampy.mean() ───────────────────────────────────────────────┐
+│  Թեթև և արագ մոդելներ (պարզ հարցեր)                          │
+│  [0] google/gemini-2.5-flash-preview-05-20                   │
+│  [1] google/gemma-3-27b-it                                   │
+│  [2] meta-llama/llama-3.1-8b-instruct                        │
+│  [3] mistralai/mistral-7b-instruct                           │
+└──────────────────────────────────────────────────────────────┘
+
+┌─ Օգնական ֆունկցիաներ ────────────────────────────────────────┐
+│  nampy.hello() - Տպում է Machine Learning հասկացություններ:  │
+│  nampy.bye()   - Տպում է Python լեզվի առանձնահատկություններ: │
+└──────────────────────────────────────────────────────────────┘
+"""
+    print(text)

{numpy_fast-0.1.0 → numpy_fast-0.1.2}/src/numpy_fast.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: numpy_fast
-Version: 0.1.0
+Version: 0.1.2
 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

numpy_fast-0.1.0/src/nampy/core.py

@@ -1,153 +0,0 @@
-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)