# Mombai
Mombai es una librerÃa de aprendizaje profundo diseñada para implementar y experimentar con capas de redes neuronales avanzadas, basadas en investigaciones recientes. Esta librerÃa incluye implementaciones de Kolmogorov-Arnold Networks (KANs) y está orientada a explorar nuevas arquitecturas de redes neuronales que capturen mejor las complejidades no lineales en los datos.
## Motivación
El proyecto Mombai nace de la necesidad de explorar y llevar a la práctica conceptos avanzados de redes neuronales presentados en papers de investigación recientes. La librerÃa está en sus primeras fases de desarrollo, con el objetivo de ofrecer implementaciones iniciales de estas arquitecturas. Aunque Mombai aún no está completamente optimizado y algunas partes de la implementación son un primer borrador, es un excelente punto de partida para aquellos interesados en entender y experimentar con estos conceptos.
En futuras versiones, planeamos no solo mejorar la eficiencia de estas implementaciones, sino también añadir nuevas capas y arquitecturas basadas en investigaciones cientÃficas personales y experimentos innovadores en el campo de la inteligencia artificial.
## Instalación
Puedes instalar la librerÃa directamente desde PyPI usando `pip`:
```bash
pip install mombai
```
## Uso
Aquà tienes un ejemplo básico de cómo usar la capa KANLayer para entrenar un modelo simple que ajuste la función `y = 3x + 2`:
```python
import tensorflow as tf
from mombai.layers.kan import KANLayer
# Definición del modelo usando la KANLayer
class KANModel(tf.keras.Model):
def __init__(self, units=1):
super(KANModel, self).__init__()
self.kan_layer = KANLayer(units=units, G=5, k=3) # Capa KAN
self.output_layer = tf.keras.layers.Dense(1) # Capa de salida simple
def call(self, inputs):
x = self.kan_layer(inputs)
return self.output_layer(x)
# Generación de datos para la función y = 3x + 2
def generate_data():
x = tf.random.uniform((1000, 1), -1, 1)
y = 3 * x + 2
return x, y
# Crear los datos de entrenamiento
x_train, y_train = generate_data()
# Crear el modelo
model = KANModel(units=10)
# Compilar el modelo
model.compile(optimizer='adam', loss='mse')
# Entrenar el modelo
model.fit(x_train, y_train, epochs=10, batch_size=32)
# Probar el modelo con un nuevo dato
x_test = tf.constant([[0.5]], dtype=tf.float32)
y_pred = model.predict(x_test)
print(f"Predicción para x=0.5: {y_pred}")
```
## Estado del Proyecto
Esta librerÃa está en una fase inicial y todavÃa está en desarrollo. Actualmente, las implementaciones están enfocadas en probar los conceptos descritos en los papers de investigación, y se espera que en futuras versiones se mejore la eficiencia y se amplÃen las funcionalidades.
En versiones futuras, se incluirán nuevas capas y arquitecturas innovadoras basadas en investigaciones cientÃficas personales. ¡Mantente atento para descubrir estas próximas implementaciones!
Si encuentras problemas o tienes sugerencias, no dudes en abrir un issue o contribuir al proyecto.
## Contribuciones
Las contribuciones son bienvenidas. Si quieres contribuir, por favor, sigue los pasos descritos en `CONTRIBUTING.md` (a crear) y asegúrate de que tus cambios se alineen con la dirección general del proyecto.
## Licencia
Este proyecto está licenciado bajo la licencia MIT. Consulta el archivo `LICENSE` para más detalles.
Raw data
{
"_id": null,
"home_page": "https://github.com/joaquinsc999/mombai",
"name": "mombai",
"maintainer": null,
"docs_url": null,
"requires_python": ">=3.6",
"maintainer_email": null,
"keywords": null,
"author": "Joaqu\u00edn Francisco Sol\u00f3rzano Corea",
"author_email": "joaquinscorea@gmail.com",
"download_url": "https://files.pythonhosted.org/packages/d2/fc/358b3dd9195906f2b3795ef48b33a8e7d30fd326805d98812ae7a9f2ff33/mombai-1.0.0.tar.gz",
"platform": null,
"description": "\r\n# Mombai\r\n\r\nMombai es una librer\u00c3\u00ada de aprendizaje profundo dise\u00c3\u00b1ada para implementar y experimentar con capas de redes neuronales avanzadas, basadas en investigaciones recientes. Esta librer\u00c3\u00ada incluye implementaciones de Kolmogorov-Arnold Networks (KANs) y est\u00c3\u00a1 orientada a explorar nuevas arquitecturas de redes neuronales que capturen mejor las complejidades no lineales en los datos.\r\n\r\n## Motivaci\u00c3\u00b3n\r\n\r\nEl proyecto Mombai nace de la necesidad de explorar y llevar a la pr\u00c3\u00a1ctica conceptos avanzados de redes neuronales presentados en papers de investigaci\u00c3\u00b3n recientes. La librer\u00c3\u00ada est\u00c3\u00a1 en sus primeras fases de desarrollo, con el objetivo de ofrecer implementaciones iniciales de estas arquitecturas. Aunque Mombai a\u00c3\u00ban no est\u00c3\u00a1 completamente optimizado y algunas partes de la implementaci\u00c3\u00b3n son un primer borrador, es un excelente punto de partida para aquellos interesados en entender y experimentar con estos conceptos.\r\n\r\nEn futuras versiones, planeamos no solo mejorar la eficiencia de estas implementaciones, sino tambi\u00c3\u00a9n a\u00c3\u00b1adir nuevas capas y arquitecturas basadas en investigaciones cient\u00c3\u00adficas personales y experimentos innovadores en el campo de la inteligencia artificial.\r\n\r\n## Instalaci\u00c3\u00b3n\r\n\r\nPuedes instalar la librer\u00c3\u00ada directamente desde PyPI usando `pip`:\r\n\r\n```bash\r\npip install mombai\r\n```\r\n\r\n## Uso\r\n\r\nAqu\u00c3\u00ad tienes un ejemplo b\u00c3\u00a1sico de c\u00c3\u00b3mo usar la capa KANLayer para entrenar un modelo simple que ajuste la funci\u00c3\u00b3n `y = 3x + 2`:\r\n\r\n```python\r\nimport tensorflow as tf\r\nfrom mombai.layers.kan import KANLayer\r\n\r\n# Definici\u00c3\u00b3n del modelo usando la KANLayer\r\nclass KANModel(tf.keras.Model):\r\n def __init__(self, units=1):\r\n super(KANModel, self).__init__()\r\n self.kan_layer = KANLayer(units=units, G=5, k=3) # Capa KAN\r\n self.output_layer = tf.keras.layers.Dense(1) # Capa de salida simple\r\n\r\n def call(self, inputs):\r\n x = self.kan_layer(inputs)\r\n return self.output_layer(x)\r\n\r\n# Generaci\u00c3\u00b3n de datos para la funci\u00c3\u00b3n y = 3x + 2\r\ndef generate_data():\r\n x = tf.random.uniform((1000, 1), -1, 1)\r\n y = 3 * x + 2\r\n return x, y\r\n\r\n# Crear los datos de entrenamiento\r\nx_train, y_train = generate_data()\r\n\r\n# Crear el modelo\r\nmodel = KANModel(units=10)\r\n\r\n# Compilar el modelo\r\nmodel.compile(optimizer='adam', loss='mse')\r\n\r\n# Entrenar el modelo\r\nmodel.fit(x_train, y_train, epochs=10, batch_size=32)\r\n\r\n# Probar el modelo con un nuevo dato\r\nx_test = tf.constant([[0.5]], dtype=tf.float32)\r\ny_pred = model.predict(x_test)\r\nprint(f\"Predicci\u00c3\u00b3n para x=0.5: {y_pred}\")\r\n```\r\n\r\n## Estado del Proyecto\r\n\r\nEsta librer\u00c3\u00ada est\u00c3\u00a1 en una fase inicial y todav\u00c3\u00ada est\u00c3\u00a1 en desarrollo. Actualmente, las implementaciones est\u00c3\u00a1n enfocadas en probar los conceptos descritos en los papers de investigaci\u00c3\u00b3n, y se espera que en futuras versiones se mejore la eficiencia y se ampl\u00c3\u00aden las funcionalidades.\r\n\r\nEn versiones futuras, se incluir\u00c3\u00a1n nuevas capas y arquitecturas innovadoras basadas en investigaciones cient\u00c3\u00adficas personales. \u00c2\u00a1Mantente atento para descubrir estas pr\u00c3\u00b3ximas implementaciones!\r\n\r\nSi encuentras problemas o tienes sugerencias, no dudes en abrir un issue o contribuir al proyecto.\r\n\r\n## Contribuciones\r\n\r\nLas contribuciones son bienvenidas. Si quieres contribuir, por favor, sigue los pasos descritos en `CONTRIBUTING.md` (a crear) y aseg\u00c3\u00barate de que tus cambios se alineen con la direcci\u00c3\u00b3n general del proyecto.\r\n\r\n## Licencia\r\n\r\nEste proyecto est\u00c3\u00a1 licenciado bajo la licencia MIT. Consulta el archivo `LICENSE` para m\u00c3\u00a1s detalles.\r\n",
"bugtrack_url": null,
"license": null,
"summary": "A deep learning library for advanced neural network layers.",
"version": "1.0.0",
"project_urls": {
"Homepage": "https://github.com/joaquinsc999/mombai"
},
"split_keywords": [],
"urls": [
{
"comment_text": "",
"digests": {
"blake2b_256": "71c9de17dc47e8938f9c75ede09931b2afbbe18ee4521d37d87b42ff14d84cf3",
"md5": "4e83f57dfae87fb5c421ea2cb8beb1bc",
"sha256": "850ccf5ef10f8ac2c1b5fdf91099c47bc7c0f6baf7b254e8549dcea3b157451c"
},
"downloads": -1,
"filename": "mombai-1.0.0-py3-none-any.whl",
"has_sig": false,
"md5_digest": "4e83f57dfae87fb5c421ea2cb8beb1bc",
"packagetype": "bdist_wheel",
"python_version": "py3",
"requires_python": ">=3.6",
"size": 5721,
"upload_time": "2024-08-18T01:19:16",
"upload_time_iso_8601": "2024-08-18T01:19:16.372542Z",
"url": "https://files.pythonhosted.org/packages/71/c9/de17dc47e8938f9c75ede09931b2afbbe18ee4521d37d87b42ff14d84cf3/mombai-1.0.0-py3-none-any.whl",
"yanked": false,
"yanked_reason": null
},
{
"comment_text": "",
"digests": {
"blake2b_256": "d2fc358b3dd9195906f2b3795ef48b33a8e7d30fd326805d98812ae7a9f2ff33",
"md5": "ae84522f3e823eaadd8b80d269702d46",
"sha256": "c3624861a76e815601eddd2116a8f4f57b227b34e453b53b5da7a3e10d01696d"
},
"downloads": -1,
"filename": "mombai-1.0.0.tar.gz",
"has_sig": false,
"md5_digest": "ae84522f3e823eaadd8b80d269702d46",
"packagetype": "sdist",
"python_version": "source",
"requires_python": ">=3.6",
"size": 5192,
"upload_time": "2024-08-18T01:19:17",
"upload_time_iso_8601": "2024-08-18T01:19:17.787031Z",
"url": "https://files.pythonhosted.org/packages/d2/fc/358b3dd9195906f2b3795ef48b33a8e7d30fd326805d98812ae7a9f2ff33/mombai-1.0.0.tar.gz",
"yanked": false,
"yanked_reason": null
}
],
"upload_time": "2024-08-18 01:19:17",
"github": true,
"gitlab": false,
"bitbucket": false,
"codeberg": false,
"github_user": "joaquinsc999",
"github_project": "mombai",
"travis_ci": false,
"coveralls": false,
"github_actions": false,
"lcname": "mombai"
}
JSON
