netsaur

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/2c039fe6-8ef3-4373-868a-731e1e971434.svg" width="80rem" /> <br/> <h1 align="center">Netsaur</h1> </p> <br/> <p align="center"> <a href="https://github.com/denosaurs/netsaur/stargazers"> <img alt="netsaur 星标数" src="https://img.shields.io/github/stars/denosaurs/netsaur?logo=data:image/png;base64,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" /> </a> <a href="https://github.com/denosaurs/netsaur/releases/latest/"> <img alt="netsaur 发布版本" src="https://img.shields.io/github/v/release/denosaurs/netsaur?logo=github" /> </a> <a href="https://github.com/denosaurs/netsaur/blob/master/LICENSE"> <p> <a href="https://github.com/denosaurs/netsaur/blob/main/LICENSE"> <img alt="netsaur 许可证" src="https://img.shields.io/github/license/denosaurs/netsaur?logo=data:image/png;base64,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" /> </a> </p> <hr/> ## Deno 强大的机器学习库

特性

• 为 Deno 设计的轻量级易用神经网络库。
• 速度极快且高效。
• 提供简单的 API 用于创建和训练神经网络。
• 可在 CPU 和 GPU 上运行（开发中）。
• 无需下载任何依赖即可直接运行代码。
• 非常适合无服务器环境。
• 只需几行代码即可快速构建和部署各种应用的机器学习模型。
• 适合初学者和有经验的机器学习从业者。

后端

• CPU - 用 Rust 编写的原生后端。
• WASM - 用 Rust 编写的 WebAssembly 后端。
• GPU (待开发)

示例

• XOR (CPU, WASM)
• 线性回归 (CPU, WASM)
• 滤波器 (CPU, WASM)
• Mnist (CPU, WASM)

维护者

• Dean Srebnik (@load1n9)
• CarrotzRule (@carrotzrule123)

快速入门

这个例子展示了如何训练一个神经网络来预测 XOR 函数的输出，使用我们用 Rust 编写的高速 CPU 后端。

import {
  Cost,
  CPU,
  DenseLayer,
  Sequential,
  setupBackend,
  SigmoidLayer,
  tensor1D,
  tensor2D,
} from "https://deno.land/x/netsaur/mod.ts";

/**
 * 设置 CPU 后端。这个后端速度快，但不能在 Edge 环境运行。
 */
await setupBackend(CPU);

/**
 * 创建一个顺序神经网络。
 */
const net = new Sequential({
  /**
   * 小批量数设置为 4，输出大小设置为 2。
   */
  size: [4, 2],

  /**
   * silent 选项设置为 true，意味着网络在训练过程中不会输出任何日志。
   */
  silent: true,

  /**
   * 定义 XOR 函数示例中神经网络的层。
   * 该神经网络有两个输入神经元和一个输出神经元。
   * 层的定义如下：
   * - 具有 3 个神经元的密集层。
   * - sigmoid 激活层。
   * - 具有 1 个神经元的密集层。
   * - sigmoid 激活层。
   */
  layers: [
    DenseLayer({ size: [3] }),
    SigmoidLayer(),
    DenseLayer({ size: [1] }),
    SigmoidLayer(),
  ],

  /**
   * 用于训练网络的成本函数是均方误差 (MSE)。
   */
  cost: Cost.MSE,
});

const time = performance.now();

/**
 * 在给定数据上训练网络。
 */
net.train(
  [
    {
      inputs: tensor2D([
        [0, 0],
        [1, 0],
        [0, 1],
        [1, 1],
      ]),
      outputs: tensor2D([[0], [1], [1], [0]]),
    },
  ],
  /**
   * 迭代次数设置为 10000。
   */
  10000,
);

console.log(`训练时间：${performance.now() - time}ms`);

/**
 * 预测给定输入的 XOR 函数输出。
 */
const out1 = (await net.predict(tensor1D([0, 0]))).data;
console.log(`0 xor 0 = ${out1[0]}（应接近 0）`);

const out2 = (await net.predict(tensor1D([1, 0]))).data;
console.log(`1 xor 0 = ${out2[0]}（应接近 1）`);

const out3 = (await net.predict(tensor1D([0, 1]))).data;
console.log(`0 xor 1 = ${out3[0]}（应接近 1）`);

const out4 = (await net.predict(tensor1D([1, 1]))).data;
console.log(`1 xor 1 = ${out4[0]}（应接近 0）`);

使用 WASM 后端

通过将 CPU 后端改为 WASM 后端，我们牺牲了一些速度，但这使我们能够在边缘环境中运行。

import {
  Cost,
  DenseLayer,
  Sequential,
  setupBackend,
  SigmoidLayer,
  tensor1D,
  tensor2D,
  WASM,
} from "https://deno.land/x/netsaur/mod.ts";

/**
 * 设置 WASM 后端。这个后端比 CPU 后端慢，但可以在 Edge 环境中工作。
 */
await setupBackend(WASM);

/**

• 创建一个顺序神经网络。 / const net = new Sequential({ /*
  • 小批量数设置为4，输出大小设置为2。 */ size: [4, 2],

/**

• silent选项设置为true，意味着网络在训练过程中不会输出任何日志。 */ silent: true,

/**

• 在XOR函数示例中定义神经网络的层。
• 该神经网络有两个输入神经元和一个输出神经元。
• 层定义如下：
• • 一个具有3个神经元的密集层。
• • sigmoid激活层。
• • 一个具有1个神经元的密集层。
• • 一个sigmoid激活层。 */ layers: [ DenseLayer({ size: [3] }), SigmoidLayer(), DenseLayer({ size: [1] }), SigmoidLayer(), ],

/**

• 用于训练网络的成本函数是均方误差（MSE）。 */ cost: Cost.MSE, });

const time = performance.now();

/**

• 在给定数据上训练网络。 / net.train( [ { inputs: tensor2D([ [0, 0], [1, 0], [0, 1], [1, 1], ]), outputs: tensor2D([[0], [1], [1], [0]]), }, ], /*
  • 迭代次数设置为10000。 */ 10000, );

console.log(训练时间：${performance.now() - time}毫秒);

/**

• 预测给定输入的XOR函数输出。 */ const out1 = (await net.predict(tensor1D([0, 0]))).data; console.log(0 异或 0 = ${out1[0]}（应接近0）);

const out2 = (await net.predict(tensor1D([1, 0]))).data; console.log(1 异或 0 = ${out2[0]}（应接近1）);

const out3 = (await net.predict(tensor1D([0, 1]))).data; console.log(0 异或 1 = ${out3[0]}（应接近1）);

const out4 = (await net.predict(tensor1D([1, 1]))).data; console.log(1 异或 1 = ${out4[0]}（应接近0）);

### 文档

Netsaur的完整文档可以在[这里](https://deno.land/x/netsaur@0.3.1-patch/mod.ts)找到。

### 许可证

Netsaur使用MIT许可证。