netsaur

netsaur

Deno生态系统中的轻量级高效神经网络库

Netsaur是Deno生态系统中的一款轻量级高效神经网络库。它提供简洁API用于创建和训练神经网络,支持CPU运行,GPU支持正在开发中。Netsaur无需额外依赖,适用于serverless环境,可快速构建和部署多种机器学习模型。这个库适合各层级的机器学习实践者使用,从入门到专业均可上手。

Netsaur机器学习Deno神经网络WebAssemblyGithub开源项目
<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,iVBORw0KGgoAAAANSUhEUgAAABwAAAAcCAYAAAEFCu8CAAAABGdBTUEAALGPC/xhBQAAADhlWElmTU0AKgAAAAgAAYdpAAQAAAABAAAAGgAAAAAAAqACAAQAAAABAAAAHKADAAQAAAABAAAAHAAAAABHddaYAAAC5UlEQVRIDd2WPWtVQRCGby5pVASLiGghQSxyG8Ui2KWwCfkH9olY2JneQkiR0oCIxH/gB+qVFDYBIWBAbAIRSbCRpLXwIxLiPT7vnNm9e87ZxJtUwYH3zO47Mzv7Mbv3tlo5KYriGtgAJ81OY1ENdG/YI4boFEOI911BXgY/pdtwGuAtXpvmB1tAXHDnUolE5urkPOQo6MqA3pXWmJJL4Bb4rQ7yEYfxsjnIF29NJIoNC6e5fxOL/qN+9KCz7AaLpN8zI415N2i2EptpGrkRIjGeAuvR6IY1hSFLFUOug9Ms2M7ZxIUNytm1mnME186sdI2BOCwAyQMg54ugzSmKmwbPwSbolKH+hbAtQdsOoF+BsF3anUVwBdiOWRidFZDKTTrKEAJTm3GVrGkHzw/uPZbyx7DNNLfB7KGmRsCcr+/gjaiPSpAOTyX9qG4L/XBDdWXDDf1M+wtQ5fwCOtcb4Dto6VpLmzByB6gqdHbTItGSJdAGqibJQhmRfCF7IN4beSF2G9CqnGXQrxofXU+EykllNeoczRgYytDKMubDIRK0g5MF8rE69cGu0u9nlUcqaUZ41W0qK2nGcSzr4D2wV9U9wxp1rnpxn8agXAOHMQ9cy9kbHM7ngY4gFb03TxrO/yfBUifTtXt78jCrjY/jgEFnMn45LuNWUtknuu7NSm7D3QEn3HbatV1Q2jvgIRf1sfODKQaeymxZoMLlTqsq1LF+HvaTqQOzEzUCfni0/eNIA+DfuE3KEtbsegckGmMktTXacnBHPVe687ugkpT+axCkkhBSyRSjWI2xf1KMMVmYiQdWksK9BEFiQoiYLIlvJA3/zeTzCejP0RbB6YPbhZuB+0pR3KcdX0LaJtju0ZgBL8Bd+sbz2QIaU2OfBX3BaQLsgZysQtrk0M8Sh1A0w3DyyYnGnAiZ4gqZ/TvI2A8OGd1YIbF7+F3P+B6dYpYdsJNZgrjO0UdOIhmom0nwL0pnfnzkL1803jAoKhvyAAAAAElFTkSuQmCC" /> </a> </p> <hr/> ## Deno 强大的机器学习库

特性

  • 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

维护者

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。

编辑推荐精选

Vora

Vora

免费创建高清无水印Sora视频

Vora是一个免费创建高清无水印Sora视频的AI工具

Refly.AI

Refly.AI

最适合小白的AI自动化工作流平台

无需编码,轻松生成可复用、可变现的AI自动化工作流

酷表ChatExcel

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统,允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令,自动执行排序、公式计算和数据透视等操作,支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内,支持超过100万行数据的即时分析。

AI工具酷表ChatExcelAI智能客服AI营销产品使用教程
TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
AIWritePaper论文写作

AIWritePaper论文写作

AI论文写作指导平台

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

AI辅助写作AI工具AI论文工具论文写作智能生成大纲数据安全AI助手热门
博思AIPPT

博思AIPPT

AI一键生成PPT,就用博思AIPPT!

博思AIPPT,新一代的AI生成PPT平台,支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等,内置海量精美PPT模板,涵盖商务、教育、科技等不同风格,同时针对每个页面提供多种版式,一键自适应切换,完美适配各种办公场景。

AI办公办公工具AI工具博思AIPPTAI生成PPT智能排版海量精品模板AI创作热门
潮际好麦

潮际好麦

AI赋能电商视觉革命,一站式智能商拍平台

潮际好麦深耕服装行业,是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌,以及国内10万+淘宝、天猫、京东等主流平台的品牌商家,为卖家节省将近85%的出图成本,提升约3倍出图效率,让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌,基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构,帮助企业扫清合规障碍,筑牢风控防线,成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案,助力品牌曝光

稳定高效的流量提升解决方案,助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用,一键生成无水印视频

最新版Sora2模型免费使用,一键生成无水印视频

下拉加载更多