refactor(v1.0.0): restructure project for v1.0 release

- Rename package src/ -> nnlib/ (imports: from nnlib import ...)
- Replace setup.py with pyproject.toml (PEP 517/518)
- Add LICENSE (MIT), CHANGELOG.md
- Move siamese_network.py from src/ to examples/
- Remove sys.path hacks from tests and examples
- Update CI: Python 3.9-3.12, add ruff lint job
- Clean up README and AGENTS.md

Author: elJulioDev

.github/workflows/python-app.yml

@@ -1,4 +1,4 @@
-name: Python application
+name: CI
 
 on:
   push:
@@ -7,21 +7,30 @@ on:
     branches: ["main"]
 
 jobs:
-  build:
+  lint:
+    runs-on: ubuntu-latest
+    steps:
+      - uses: actions/checkout@v4
+      - uses: actions/setup-python@v5
+        with:
+          python-version: "3.12"
+      - run: pip install ruff
+      - run: ruff check nnlib/ tests/
+
+  test:
     runs-on: ubuntu-latest
     strategy:
       matrix:
-        python-version: ["3.8", "3.10", "3.12"]
+        python-version: ["3.9", "3.10", "3.11", "3.12"]
     steps:
       - uses: actions/checkout@v4
       - name: Set up Python ${{ matrix.python-version }}
         uses: actions/setup-python@v5
         with:
           python-version: ${{ matrix.python-version }}
-      - name: Install dependencies
+      - name: Install package
         run: |
           python -m pip install --upgrade pip
-          pip install -r requirements.txt
-      - name: Test with unittest
-        run: |
-          python -m unittest discover tests -v
+          pip install -e ".[dev]"
+      - name: Run tests
+        run: python -m unittest discover tests -v

.gitignore

@@ -24,4 +24,7 @@ htmlcov/
 
 # Modelos guardados
 *.pkl
-*.npz
+*.npz
+
+# AI agent config
+AGENTS.md

CHANGELOG.md

@@ -0,0 +1,66 @@
+# Changelog
+
+Todos los cambios notables en este proyecto seran documentados en este archivo.
+
+El formato se basa en [Keep a Changelog](https://keepachangelog.com/), y este proyecto adherise a [Semantic Versioning](https://semver.org/).
+
+## [1.0.0] - 2026-08-10
+
+### Added
+- Empaquetado moderno con `pyproject.toml` (PEP 517/518).
+- Archivo `LICENSE` (MIT).
+- Configuracion de linting con `ruff` en CI.
+- `CHANGELOG.md`.
+
+### Changed
+- Paquete renombrado de `src` a `nnlib` (imports: `from nnlib import NeuralNetwork`).
+- Eliminados los `sys.path.insert` de tests y examples (ya no son necesarios con `pip install -e .`).
+- CI actualizado: matrix Python 3.9/3.10/3.11/3.12, instalacion con `pip install -e ".[dev]"`.
+- `siamese_network.py` movido de `src/` a `examples/`.
+- Python 3.8 eliminado del soporte (EOL).
+
+### Removed
+- `setup.py` (reemplazado por `pyproject.toml`).
+
+## [0.4.0] - Sin tag
+
+### Added
+- `NeuralNetwork.build(input_shape)` propaga shapes y valida fail-fast.
+- `NeuralNetwork.save(dir) / load(dir)` con topology.json + weights.npz.
+- `to_json() / from_json()` en modelo y componentes.
+- `examples/siamese_network.py` verifica state isolation con pesos compartidos.
+- Tests: 51 a 68.
+
+### Changed
+- Capas: `forward(x) -> (output, cache)` y `backward(d_output, cache) -> (d_input, grads_dict)`.
+- Capas: `parameters() -> Dict[str, ndarray]` reemplaza a `get_params()`.
+- Optimizadores: `apply_gradients(list_of_tuples)` reemplaza a `update(layers)`.
+- Losses: `BinaryCrossEntropy` y `CategoricalCrossEntropy` aceptan `from_logits`.
+- Softmax: backward implementa el Jacobiano completo.
+
+### Fixed
+- Acoplamiento matematico oculto CCE/Softmax.
+- Estado mutable que rompia arquitecturas multi-entrada.
+- Serializacion fragil con pickle.
+- Validacion tardia de shapes.
+- Optimizador dependiente de `weights`/`biases` hardcodeados.
+
+## [0.3.0] - Sin tag
+
+### Added
+- API estilo Keras con `compile()`, `fit()`, `predict()`.
+- Optimizadores Adam, RMSprop, AdaGrad con gradient clipping.
+- Callbacks: EarlyStopping, ReduceLROnPlateau, ModelCheckpoint.
+- BatchNormalization.
+
+## [0.2.0] - Sin tag
+
+### Added
+- Vectorizacion completa de capas.
+- Inicializacion He, LeakyReLU, data shuffling.
+- BinaryCrossEntropy loss.
+
+## [0.1.0] - Sin tag
+
+### Added
+- Estructura base con Neuron, backpropagation, tests unitarios.

LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2026 Alexis González (elJulioDev)
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

README.md

@@ -2,7 +2,7 @@
 
 Librería de Deep Learning ligera, modular y **completamente vectorizada** en Python y NumPy. Pensada para producción: API estilo Keras, gradientes verificados numéricamente, persistencia portable sin pickle, caches externos para arquitecturas avanzadas.
 
-> **v0.4.0 — refactor arquitectónico.** Resuelve los 5 riesgos estructurales de v0.3: acoplamiento matemático oculto (Softmax↔CCE), estado mutable en capas (bloqueaba redes siamesas), serialización pickle-frágil, validación de shapes tardía, y fugas de abstracción en optimizadores. Ver `CHANGELOG` al final.
+> **v1.0.0 — lanzamiento estable.** Paquete renombrado a `nnlib`, empaquetado moderno con `pyproject.toml`, CI con linting, LICENSE MIT. Ver [CHANGELOG.md](CHANGELOG.md) para historial completo.
 
 ## Principios de Diseño
 
@@ -47,21 +47,23 @@ Librería de Deep Learning ligera, modular y **completamente vectorizada** en Py
 
 ```bash
 git clone https://github.com/elJulioDev/Neural_Network.git
-cd neural_network
+cd Neural_Network
 python -m venv venv
 source venv/bin/activate      # Windows: venv\Scripts\activate
 pip install -e .
-python -m unittest discover tests -v
-python main.py
-python examples/multiclass_classification.py
-python examples/siamese_network.py
+```
+
+Para desarrollo (incluye ruff y matplotlib):
+
+```bash
+pip install -e ".[dev]"
 ```
 
 ## Uso Rápido (API moderna estilo Keras)
 
 ```python
 import numpy as np
-from src import (
+from nnlib import (
     NeuralNetwork, Dense, Dropout, BatchNormalization,
     Adam, BinaryCrossEntropy, EarlyStopping,
 )
@@ -88,10 +90,6 @@ probs = 1.0 / (1.0 + np.exp(-logits))
 
 ## `from_logits` — por qué importa
 
-**Problema en v0.3:** la derivada de `CategoricalCrossEntropy` asumía que la capa anterior era `Softmax`. Si terminabas con `Linear` o `ReLU` y seguías usando CCE, no había error — simplemente los gradientes salían mal y la red no convergía.
-
-**Solución en v0.4:**
-
 * **`from_logits=True`** (recomendado): capa final `Linear`, la loss aplica softmax/sigmoid internamente y usa el atajo estable `(pred - y) / N`.
 * **`from_logits=False`**: la capa anterior puede ser cualquier activación. Softmax propaga su Jacobiano real completo — matemáticamente correcto con cualquier loss.
 
@@ -114,7 +112,7 @@ ex = np.exp(logits - logits.max(axis=1, keepdims=True))
 probs = ex / ex.sum(axis=1, keepdims=True)
 ```
 
-## Persistencia Portable (recomendada)
+## Persistencia Portable
 
 ```python
 model.save('my_model/')
@@ -125,14 +123,14 @@ model.save('my_model/')
 loaded = NeuralNetwork.load('my_model/')
 ```
 
-`topology.json` es inspeccionable, no ejecutable, y sobrevive a refactorizaciones internas. NO uses `save_model()` (pickle) en producción.
+`topology.json` es inspeccionable, no ejecutable, y sobrevive a refactorizaciones internas.
 
 ## Redes con capas compartidas (ej. siamesas)
 
-Una misma instancia de capa puede procesar dos inputs distintos sin corromperse (en v0.3 era imposible). Ver `examples/siamese_network.py`.
+Una misma instancia de capa puede procesar dos inputs distintos sin corromperse. Ver `examples/siamese_network.py`.
 
 ```python
-from src.layer import Dense
+from nnlib.layer import Dense
 layer = Dense(4, 3, activation='relu')
 
 out1, cache1 = layer.forward(x1)
@@ -159,7 +157,7 @@ model.fit(np.random.randn(5, 10), ...)
 ## Ejemplo Producción con BatchNorm + Dropout + Callbacks
 
 ```python
-from src import (
+from nnlib import (
     NeuralNetwork, Dense, Dropout, BatchNormalization,
     Adam, L2, CategoricalCrossEntropy,
     EarlyStopping, ReduceLROnPlateau,
@@ -190,7 +188,7 @@ model.save('production_model/')
 ## Integración en Django/Flask
 
 ```python
-from src import NeuralNetwork
+from nnlib import NeuralNetwork
 import numpy as np
 
 ai_model = NeuralNetwork.load('/path/to/production_model/')
@@ -206,78 +204,50 @@ def predict_view(request):
 ## Estructura del Proyecto
 
 ```text
-neural_network/
-├── src/
-│   ├── __init__.py
-│   ├── activations.py          # Stateless: forward -> (out, cache)
+Neural_Network/
+├── nnlib/                        # Paquete principal
+│   ├── __init__.py               # API pública re-exportada
+│   ├── activations.py            # Stateless: forward -> (out, cache)
 │   ├── callbacks.py
-│   ├── initializers.py         # Con get_config para JSON
-│   ├── layer.py                # Dense, Dropout, BatchNorm; parameters() dict
-│   ├── losses.py               # from_logits en CCE/BCE
+│   ├── initializers.py           # Con get_config para JSON
+│   ├── layer.py                  # Dense, Dropout, BatchNorm; parameters() dict
+│   ├── losses.py                 # from_logits en CCE/BCE
 │   ├── metrics.py
-│   ├── neural_network.py       # Gestión externa de caches, build(), save/load
-│   ├── optimizers.py           # Interfaz genérica (layer_id, name, param, grad)
+│   ├── neural_network.py         # Gestión externa de caches, build(), save/load
+│   ├── optimizers.py             # Interfaz genérica (layer_id, name, param, grad)
 │   ├── regularizers.py
 │   └── utils.py
-├── tests/                      # 68 tests
-│   ├── test_activations.py     # Stateless, Softmax Jacobiano, roundtrip config
-│   ├── test_gradient_check.py  # Valida backprop numéricamente
-│   ├── test_layer.py           # Including state isolation test
-│   ├── test_losses.py          # Including from_logits path
-│   ├── test_model.py           # Integración + persistencia JSON+NPZ
-│   └── test_optimizers.py      # Interfaz genérica
+├── tests/                        # 68 tests
+│   ├── test_activations.py       # Stateless, Softmax Jacobiano, roundtrip config
+│   ├── test_gradient_check.py    # Valida backprop numéricamente
+│   ├── test_layer.py             # Including state isolation test
+│   ├── test_losses.py            # Including from_logits path
+│   ├── test_model.py             # Integración + persistencia JSON+NPZ
+│   └── test_optimizers.py        # Interfaz genérica
 ├── examples/
 │   ├── multiclass_classification.py
-│   └── siamese_network.py      # Demuestra state isolation
-├── main.py                     # Demo XOR
-├── requirements.txt
-├── setup.py
+│   └── siamese_network.py        # Demuestra state isolation
+├── main.py                       # Demo XOR
+├── pyproject.toml                # Empaquetado moderno (PEP 517/518)
+├── requirements.txt              # Dev dependencies
+├── CHANGELOG.md
+├── LICENSE                       # MIT
 └── README.md
 ```
 
-## CHANGELOG v0.3.0 → v0.4.0
-
-**Cambios estructurales (BREAKING):**
-- Capas: `forward(x) -> (output, cache)` y `backward(d_output, cache) -> (d_input, grads_dict)`. Ya no se almacena cache en `self`. **Migración:** si tenías código usando `model.forward()` directamente, ahora obtienes sólo la salida; para depurar el pipeline completo usa `model._forward()` que retorna `(output, caches)`.
-- Capas: `parameters() -> Dict[str, ndarray]` reemplaza a `get_params()`. Los optimizadores ya no acceden a `layer.weights`/`layer.biases`.
-- Optimizadores: `apply_gradients(list_of_tuples)` reemplaza a `update(layers)`. Aceptan cualquier nombre de parámetro.
-- Losses: `BinaryCrossEntropy` y `CategoricalCrossEntropy` aceptan `from_logits`.
-- Softmax: backward ahora implementa el Jacobiano completo (no "return 1").
-
-**Nuevo:**
-- `NeuralNetwork.build(input_shape)` propaga shapes y valida fail-fast.
-- `NeuralNetwork.save(dir) / load(dir)` → topology.json + weights.npz (sin pickle).
-- `to_json() / from_json()` en modelo y componentes.
-- `examples/siamese_network.py` verifica state isolation con pesos compartidos.
-- Tests: 51 → 68.
-
-**Arreglado:**
-- Acoplamiento matemático oculto CCE↔Softmax (issue #1).
-- Estado mutable que rompía arquitecturas multi-entrada (issue #2).
-- Serialización frágil con pickle (issue #3).
-- Validación tardía de shapes (issue #4).
-- Optimizador dependiente de `weights`/`biases` hardcodeados (issue #5).
-
-**Migración rápida desde v0.3:**
-```python
-# v0.3
-model.save_model('model.pkl')
-NeuralNetwork.load_model('model.pkl')
+## Ejecutar tests
 
-# v0.4 (recomendado)
-model.save('model/')
-NeuralNetwork.load('model/')
+```bash
+python -m unittest discover tests -v
 ```
 
-```python
-# v0.3 — riesgo oculto de CCE asumiendo Softmax
-model.add(Dense(10, activation='softmax'))
-model.compile(loss='cce', ...)
+## Ejemplos
 
-# v0.4 — camino recomendado, numéricamente estable
-model.add(Dense(10, activation='linear'))
-model.compile(loss=CategoricalCrossEntropy(from_logits=True), ...)
+```bash
+python main.py
+python examples/multiclass_classification.py
+python examples/siamese_network.py
 ```
 
 ## Licencia
-Proyecto de uso educativo y personal. Distribuido bajo la licencia MIT.
+Proyecto de uso educativo y personal. Distribuido bajo la licencia MIT.

examples/__init__.py

@@ -7,13 +7,10 @@
 - save(dir) + load(dir) con topology JSON + pesos NPZ.
 """
 import os
-import sys
 import tempfile
 import numpy as np
 
-sys.path.insert(0, os.path.abspath(os.path.join(os.path.dirname(__file__), "..")))
-
-from src import (
+from nnlib import (
     NeuralNetwork, Dense, Dropout, BatchNormalization,
     Adam, L2, CategoricalCrossEntropy,
     EarlyStopping, ReduceLROnPlateau,

examples/multiclass_classification.py

@@ -13,14 +13,10 @@
 Aquí construimos manualmente un embedder siamés: una red compartida
 procesa dos inputs, y una loss contrastiva simple compara sus embeddings.
 """
-import os
-import sys
 import numpy as np
 
-sys.path.insert(0, os.path.abspath(os.path.join(os.path.dirname(__file__), "..")))
-
-from src.layer import Dense, Dropout
-from src.activations import ReLU, Tanh
+from nnlib.layer import Dense, Dropout
+from nnlib.activations import ReLU, Tanh
 
 
 class SiameseEncoder:

src/siamese_network.py examples/siamese_network.pysrc/siamese_network.py renamed to examples/siamese_network.py

@@ -1,5 +1,5 @@
 """
-Demo XOR — v0.4.
+Demo XOR — v1.0.
 
 Muestra el camino recomendado de producción:
 - capa final 'linear' + BinaryCrossEntropy(from_logits=True).
@@ -11,7 +11,7 @@
 import tempfile
 import numpy as np
 
-from src import (
+from nnlib import (
     NeuralNetwork, Dense,
     Adam, BinaryCrossEntropy,
     EarlyStopping,