Flamehaven Tensor-Canon v0.1.4 - validateur léger des shapes de tenseurs PyTorch/NumPy + drift (MMD)

Bonjour.
Cette semaine, je vous présente Flamehaven Tensor-Canon (v0.1.4).

---

Quand on développe avec PyTorch, on doit toujours faire attention à la shape des tenseurs.
Par exemple, pour une entrée image, on utilise généralement la forme NCHW
(batch N, canaux C, hauteur H, largeur W).

Mais en production, les problèmes ci-dessous sont encore plus redoutables.

• la shape est correcte, mais la distribution des données change silencieusement
• le modèle continue de tourner, mais les performances / métriques se dégradent lentement

C’est pour cela que j’ai créé Tensor-Canon, non seulement pour faire des vérifications de shape, mais aussi pour confirmer rapidement et légèrement si la distribution d’entrée a changé.

---

Les outils existants sont déjà puissants, mais leur rôle est différent

• Einops
  conversion/manipulation intuitive des shapes à partir de chaînes
  → optimisé davantage pour les opérations / transformations que pour la validation

• Jaxtyping
  validation basée sur les annotations de type (convivial pour les IDE)
  → mais la syntaxe générique Python peut vite devenir longue

• Torchtyping
  validation légère des shapes
  → portée centrée sur la shape

• Pydantic
  standard de la validation de données générale
  → un peu lourd et fastidieux pour valider des tableaux multidimensionnels comme les tenseurs

---

Mais Flamehaven Tensor-Canon se distingue par sa « barrière de sécurité en entrée »

Tensor-Canon n’est pas un framework,
mais une barrière de sécurité légère à utiliser à la frontière des entrées du modèle.

• ✅ Validation de shape (base)
• ✅ Resonance (détection de drift)
  • détection des changements de distribution basée sur MMD
  • utilisation sans outils MLOps lourds
• ✅ Covenant DSL (contrat sous forme de chaîne)
  • au lieu de génériques de type complexes comme Typing[Float, ...]
  • une spécification lisible immédiatement comme "batch channels 224 224"
• ✅ Dual Backend
  • prétraitement en NumPy, inférence en PyTorch
  • protection d’un pipeline métier avec une syntaxe unique
  • application d’un contrat cohérent du data loader jusqu’à l’entrée du modèle

---

🔹 Essayer Tensor-Canon en seulement 3 minutes (PyTorch)

1️⃣ Installation (30 secondes)

pip install flamehaven-tensor-canon  

---

2️⃣ Validation de shape (1 minute)

import torch  
from tensor_canon import validate  
  
# Spécification d’entrée attendue (NCHW)  
spec = "batch channels 224 224"  
  
x = torch.randn(32, 3, 224, 224)  
  
# Déclenche une ValueError si la shape ne correspond pas  
validate(x, spec, key="image_input")  
  
print("OK: contrat de shape respecté")  

---

3️⃣ Détection de distribution (drift) (1 minute 30)

import torch  
from tensor_canon import TensorCanonPrime  
  
engine = TensorCanonPrime(drift_threshold=0.05)  
  
# Enregistrement de la référence des données d’entraînement  
train = torch.randn(100, 512)  
engine.register_golden("embedding", train)  
  
# Vérification des données de production  
prod = torch.randn(10, 512) + 0.5  # léger déplacement de distribution  
score = engine.check_resonance("embedding", prod)  
  
print("drift score:", score)  
  
if score > 0.05:  
    print("⚠️ drift détecté")  

---

Dans quels cas l’utiliser

• pipeline de prétraitement NumPy → entrée de modèle PyTorch
• sanity check des entrées de DataLoader
• quand « la shape est correcte mais les métriques chutent »
• barrière de sécurité minimale avant d’adopter des outils MLOps lourds

---

🔹 Politique de déploiement / release (référence)

• installation directe possible via le package PyPI
• gestion des releases GitHub en mode tag-based
• uniquement pour les tags validés, la CI construit les wheel / sdist
  et les joint à la GitHub Release
• pour garantir stabilité et reproductibilité,
  nous maintenons une approche de diffusion de builds validés plutôt que des déploiements automatiques et fréquents

---

Retours / issues / PR bienvenus

En particulier, si vous avez connu un cas où « la shape était correcte mais où tout a cassé en production »,
je voudrais faire évoluer ensemble les patterns de contrat (DSL) à partir de ce type d’exemples.

Et ⭐ un star apporte vraiment un grand soutien.
Ce projet est développé chaque semaine grâce à l’élan donné par chaque star.
Si vous l’essayez et qu’il vous convainc, je vous serais reconnaissant de lui laisser un star en signe d’encouragement !