Netsaur

## 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。