一个基于TypeScript实现的轻量级神经网络库，支持Node.js、Deno、Bun和浏览器环境，提供完整的MLP功能，适合教育学习和简单分类回归任务。

• 原作者/维护者：AugustinMauroy
• 来源平台：github
• 原始标题：am-neuralnetwork
• 原始链接：https://github.com/AugustinMauroy/am-neuralnetwork
• 来源发布时间/更新时间：2026-06-03T19:44:50Z

am-neuralnetwork：跨运行时兼容的轻量级神经网络库\n\n## 原作者与来源\n\n- 原作者/维护者: AugustinMauroy\n- 来源平台: GitHub / JSR (JavaScript Registry)\n- 原始标题: am-neuralnetwork\n- 原始链接: https://github.com/AugustinMauroy/am-neuralnetwork\n- 包地址: https://jsr.io/@am/neuralnetwork\n- 发布时间: 2026年6月3日\n\n## 项目概述\n\n在JavaScript生态中，TensorFlow.js和Brain.js等库功能强大但体积庞大。am-neuralnetwork 提供了一个轻量且极简的替代方案——一个纯TypeScript编写的神经网络库，专注于基础的前馈网络（多层感知机）功能，同时实现跨运行时兼容，可在Node.js、Deno、Bun和浏览器中无缝运行。\n\n这个项目特别适合以下场景：\n- 学习神经网络原理的教育用途\n- 简单的分类和回归任务\n- 需要小体积依赖的嵌入式应用\n- 跨平台JavaScript运行时的实验项目\n\n## 核心设计理念\n\n### 简单性与可理解性优先\n\n项目文档明确指出："设计目标是易于使用和理解，同时足够强大以用于真实应用。"这体现在：\n\n- 清晰的API设计: 遵循Keras风格的顺序模型构建模式\n- 完整的类型支持: TypeScript类型定义完善，IDE友好\n- 零配置默认值: 开箱即用，降低入门门槛\n- 代码可读性: 源码结构清晰，适合作为学习材料\n\n### 跨运行时兼容性\n\n这是项目最独特的卖点。通过精心设计的模块结构和平台抽象，代码可以在以下环境运行：\n\n| 运行时 | 特点 |\n|--------|------|\n| Node.js | 服务端脚本、CLI工具 |\n| Deno | 现代安全运行时 |\n| Bun | 高性能JavaScript运行时 |\n| Browser | 前端应用、教学演示 |\n\n这种兼容性对于需要同时支持服务端训练和浏览器推理的应用场景特别有价值。\n\n## 功能特性详解\n\n### 核心架构组件\n\n#### 模型（Model）类\n\n模型类是整个库的核心，提供完整的生命周期管理：\n\ntypescript\nimport { Model } from \"@am/neuralnetwork\";\n\nconst model = new Model();\n\n// 添加层\nmodel.add(...);\n\n// 配置训练\nmodel.compile(optimizer, loss, metrics);\n\n// 训练\nawait model.fit(trainingData, trainingLabels, epochs, batchSize, debug);\n\n// 预测\nconst predictions = model.predict(newData);\n\n// 评估\nconst evaluation = model.evaluate(validationData, validationLabels);\n\n\n### 支持的层类型\n\n当前版本支持以下层：\n\n- Dense（全连接层）: 基础计算单元，每个神经元与前一层的所有神经元连接\n- ReLU: 修正线性单元激活函数\n- Sigmoid: S型激活函数，适合二分类问题\n- Tanh: 双曲正切激活函数\n- Softmax: 多分类问题的输出层激活\n\n### 优化器选择\n\n项目实现了多种经典优化算法：\n\n| 优化器 | 特点 | 适用场景 |\n|--------|------|---------|\n| SGD | 随机梯度下降，最基础 | 简单问题、教学演示 |\n| Adam | 自适应学习率，最常用 | 大多数场景的首选 |\n| RMSprop | 适合循环网络 | 非平稳目标 |\n| Adagrad | 适合稀疏数据 | 自然语言处理 |\n\n### 损失函数\n\n支持多种损失函数，覆盖常见任务类型：\n\n- MSE（均方误差）: 回归任务标准选择\n- MAE（平均绝对误差）: 对异常值更鲁棒\n- Cross Entropy（交叉熵）: 多分类任务\n- Binary Cross Entropy: 二分类任务\n- Hinge Loss: 支持向量机风格\n- Huber Loss: 结合MSE和MAE优点\n\n## 快速入门：XOR问题示例\n\nXOR问题是神经网络的经典入门示例——线性模型无法解决，需要至少一个隐藏层。\n\ntypescript\nimport { Model } from \"@am/neuralnetwork\";\nimport { Adam } from \"@am/neuralnetwork/optimizes\";\nimport { MeanSquaredError } from \"@am/neuralnetwork/losses\";\n\n// 1. 创建模型\nconst model = new Model();\n\n// 2. 添加层（输入层2神经元 → 隐藏层4神经元 → 输出层1神经元）\nmodel.add(new Dense(4, { inputShape: 2 }));\nmodel.add(new ReLU());\nmodel.add(new Dense(1));\nmodel.add(new Sigmoid());\n\n// 3. 编译模型\nmodel.compile(\n new Adam(0.01), // Adam优化器，学习率0.01\n new MeanSquaredError(), // 均方误差损失\n [\"accuracy\"] // 评估指标\n);\n\n// 4. 准备数据\nconst trainingData = [[0, 0], [0, 1], [1, 0], [1, 1]];\nconst trainingLabels = [[0], [1], [1], [0]];\n\n// 5. 训练\nawait model.fit(trainingData, trainingLabels, 1000, 4, false);\n// 参数：数据、标签、epochs、batchSize、debug模式\n\n// 6. 预测\nconst predictions = model.predict([[0, 0], [0, 1]]);\nconsole.log(predictions); // 应接近 [[0], [1]]\n\n// 7. 评估\nconst evaluation = model.evaluate(\n [[0, 0], [0, 1]],\n [[0], [1]]\n);\n\n\n这个示例展示了库的核心API设计——简洁、直观、符合直觉。\n\n## 当前功能边界\n\n项目文档坦诚地列出了尚未实现的功能，这有助于用户做出明智的选择：\n\n### 缺失的层类型\n\n- 卷积层（CNN）: 图像处理必备\n- 循环层（LSTM/GRU）: 序列建模\n- Dropout: 正则化技术\n- Batch Normalization: 加速训练、稳定分布\n- 池化层: 降采样\n\n### 缺失的训练特性\n\n- 验证集分割: 训练时自动划分验证集\n- 学习率调度: 动态调整学习率\n- 早停（Early Stopping）: 防止过拟合\n- 回调系统: 训练过程监控\n- 模型检查点: 保存最佳模型\n- 训练历史: 记录loss和metrics变化\n\n### 缺失的评估指标\n\n- Precision/Recall: 精确率/召回率\n- F1-Score: 综合指标\n- 混淆矩阵: 分类问题分析\n\n### 缺失的高级特性\n\n- GPU加速: 依赖纯CPU计算\n- 分布式训练: 单机单线程\n- 迁移学习: 不支持预训练模型加载\n- 模型可视化: 无内置可视化工具\n\n## 适用场景与限制\n\n### 推荐使用场景\n\n1. 教育学习: 理解神经网络基本原理\n - 源码可读性强，适合逐行研读\n - API设计直观，降低学习曲线\n - XOR等示例完整，便于实验\n\n2. 简单分类/回归: 结构化数据的浅层网络\n - 表格数据预测\n - 简单模式识别\n - 基准测试对比\n\n3. 跨平台原型: 需要在多环境运行的项目\n - 服务端训练 + 浏览器推理\n - Deno/Node.js/Bun兼容需求\n\n4. 轻量级应用: 对包体积敏感的场景\n - 无重型依赖\n - Tree-shaking友好\n\n### 不推荐场景\n\n- 计算机视觉: 缺少CNN层\n- 自然语言处理: 缺少RNN/Transformer\n- 大规模数据: 无GPU加速，训练慢\n- 生产级应用: 缺少监控、日志、错误处理等企业级特性\n\n## 技术实现亮点\n\n### 纯TypeScript实现\n\n项目完全使用TypeScript编写，提供了：\n\n- 类型安全: 编译时捕获错误\n- IDE支持: 自动补全、类型提示\n- 文档生成: 可从类型定义生成API文档\n- 代码质量: 静态类型检查减少运行时错误\n\n### 模块化设计\n\n\n@am/neuralnetwork/\n├── index.ts # 核心导出\n├── optimizes/ # 优化器\n├── losses/ # 损失函数\n└── layers/ # 层类型\n\n\n这种结构允许按需导入，减少打包体积：\n\ntypescript\n// 只导入需要的部分\nimport { Adam } from \"@am/neuralnetwork/optimizes\";\nimport { CrossEntropy } from \"@am/neuralnetwork/losses\";\n\n\n### JSR发布\n\n项目选择在JSR（JavaScript Registry）发布而非npm，这反映了作者对现代JavaScript生态的拥抱：\n\n- 原生TypeScript支持: 无需额外的.d.ts文件\n- 更好的安全性: 内置的权限和签名机制\n- 现代标准: 支持ES模块、import maps等\n\n## 与其他库的对比\n\n| 特性 | am-neuralnetwork | TensorFlow.js | Brain.js |\n|------|-----------------|---------------|----------|\n| 体积 | 极小 | 大 | 中等 |\n| 功能 | 基础MLP | 完整深度学习 | MLP+RNN |\n| TypeScript | 原生 | 支持 | 支持 |\n| 跨运行时 | ✅ | 部分 | Node/浏览器 |\n| GPU加速 | ❌ | ✅ | ❌ |\n| 学习曲线 | 平缓 | 陡峭 | 中等 |\n| 适用场景 | 教育/原型 | 生产/研究 | 简单应用 |\n\n## 总结与评价\n\nam-neuralnetwork 是一个定位清晰的轻量级神经网络库。它明智地选择了"做减法"——放弃复杂功能，专注于基础MLP和跨运行时兼容性。\n\n优点: \n- 代码简洁，适合学习神经网络原理\n- 跨运行时兼容是独特优势\n- TypeScript原生支持，类型安全\n- API设计直观，符合Keras风格\n- JSR发布，拥抱现代生态\n\n局限: \n- 功能有限，仅支持基础MLP\n- 无GPU加速，不适合大规模任务\n- 缺少生产级特性（监控、日志等）\n- 社区和生态较小\n\n对于想要理解神经网络内部工作原理的学习者，或者需要一个小型、跨平台的神经网络解决方案的开发者，这是一个值得考虑的选择。它证明了有时候小而美比大而全更适合特定场景。

原作者与来源

• 原作者/维护者：AugustinMauroy
• 来源平台：github
• 原始标题：am-neuralnetwork
• 原始链接：https://github.com/AugustinMauroy/am-neuralnetwork
• 来源发布时间/更新时间：2026-06-03T19:44:50Z am-neuralnetwork：跨运行时兼容的轻量级神经网络库\n\n原作者与来源\n\n- 原作者/维护者: AugustinMauroy\n- 来源平台: GitHub / JSR (JavaScript Registry)\n- 原始标题: am-neuralnetwork\n- 原始链接: https://github.com/AugustinMauroy/am-neuralnetwork\n- 包地址: https://jsr.io/@am/neuralnetwork\n- 发布时间: 2026年6月3日\n\n项目概述\n\n在JavaScript生态中，TensorFlow.js和Brain.js等库功能强大但体积庞大。am-neuralnetwork 提供了一个轻量且极简的替代方案——一个纯TypeScript编写的神经网络库，专注于基础的前馈网络（多层感知机）功能，同时实现跨运行时兼容，可在Node.js、Deno、Bun和浏览器中无缝运行。\n\n这个项目特别适合以下场景：\n- 学习神经网络原理的教育用途\n- 简单的分类和回归任务\n- 需要小体积依赖的嵌入式应用\n- 跨平台JavaScript运行时的实验项目\n\n核心设计理念\n\n简单性与可理解性优先\n\n项目文档明确指出："设计目标是易于使用和理解，同时足够强大以用于真实应用。"这体现在：\n\n- 清晰的API设计: 遵循Keras风格的顺序模型构建模式\n- 完整的类型支持: TypeScript类型定义完善，IDE友好\n- 零配置默认值: 开箱即用，降低入门门槛\n- 代码可读性: 源码结构清晰，适合作为学习材料\n\n跨运行时兼容性\n\n这是项目最独特的卖点。通过精心设计的模块结构和平台抽象，代码可以在以下环境运行：\n\n| 运行时 | 特点 |\n|--------|------|\n| Node.js | 服务端脚本、CLI工具 |\n| Deno | 现代安全运行时 |\n| Bun | 高性能JavaScript运行时 |\n| Browser | 前端应用、教学演示 |\n\n这种兼容性对于需要同时支持服务端训练和浏览器推理的应用场景特别有价值。\n\n功能特性详解\n\n核心架构组件\n\n模型（Model）类\n\n模型类是整个库的核心，提供完整的生命周期管理：\n\ntypescript\nimport { Model } from \"@am/neuralnetwork\";\n\nconst model = new Model();\n\n// 添加层\nmodel.add(...);\n\n// 配置训练\nmodel.compile(optimizer, loss, metrics);\n\n// 训练\nawait model.fit(trainingData, trainingLabels, epochs, batchSize, debug);\n\n// 预测\nconst predictions = model.predict(newData);\n\n// 评估\nconst evaluation = model.evaluate(validationData, validationLabels);\n\n\n支持的层类型\n\n当前版本支持以下层：\n\n- Dense（全连接层）: 基础计算单元，每个神经元与前一层的所有神经元连接\n- ReLU: 修正线性单元激活函数\n- Sigmoid: S型激活函数，适合二分类问题\n- Tanh: 双曲正切激活函数\n- Softmax: 多分类问题的输出层激活\n\n优化器选择\n\n项目实现了多种经典优化算法：\n\n| 优化器 | 特点 | 适用场景 |\n|--------|------|---------|\n| SGD | 随机梯度下降，最基础 | 简单问题、教学演示 |\n| Adam | 自适应学习率，最常用 | 大多数场景的首选 |\n| RMSprop | 适合循环网络 | 非平稳目标 |\n| Adagrad | 适合稀疏数据 | 自然语言处理 |\n\n损失函数\n\n支持多种损失函数，覆盖常见任务类型：\n\n- MSE（均方误差）: 回归任务标准选择\n- MAE（平均绝对误差）: 对异常值更鲁棒\n- Cross Entropy（交叉熵）: 多分类任务\n- Binary Cross Entropy: 二分类任务\n- Hinge Loss: 支持向量机风格\n- Huber Loss: 结合MSE和MAE优点\n\n快速入门：XOR问题示例\n\nXOR问题是神经网络的经典入门示例——线性模型无法解决，需要至少一个隐藏层。\n\ntypescript\nimport { Model } from \"@am/neuralnetwork\";\nimport { Adam } from \"@am/neuralnetwork/optimizes\";\nimport { MeanSquaredError } from \"@am/neuralnetwork/losses\";\n\n// 1. 创建模型\nconst model = new Model();\n\n// 2. 添加层（输入层2神经元 → 隐藏层4神经元 → 输出层1神经元）\nmodel.add(new Dense(4, { inputShape: 2 }));\nmodel.add(new ReLU());\nmodel.add(new Dense(1));\nmodel.add(new Sigmoid());\n\n// 3. 编译模型\nmodel.compile(\n new Adam(0.01), // Adam优化器，学习率0.01\n new MeanSquaredError(), // 均方误差损失\n [\"accuracy\"] // 评估指标\n);\n\n// 4. 准备数据\nconst trainingData = [[0, 0], [0, 1], [1, 0], [1, 1]];\nconst trainingLabels = [[0], [1], [1], [0]];\n\n// 5. 训练\nawait model.fit(trainingData, trainingLabels, 1000, 4, false);\n// 参数：数据、标签、epochs、batchSize、debug模式\n\n// 6. 预测\nconst predictions = model.predict([[0, 0], [0, 1]]);\nconsole.log(predictions); // 应接近 [[0], [1]]\n\n// 7. 评估\nconst evaluation = model.evaluate(\n [[0, 0], [0, 1]],\n [[0], [1]]\n);\n\n\n这个示例展示了库的核心API设计——简洁、直观、符合直觉。\n\n当前功能边界\n\n项目文档坦诚地列出了尚未实现的功能，这有助于用户做出明智的选择：\n\n缺失的层类型\n\n- 卷积层（CNN）: 图像处理必备\n- 循环层（LSTM/GRU）: 序列建模\n- Dropout: 正则化技术\n- Batch Normalization: 加速训练、稳定分布\n- 池化层: 降采样\n\n缺失的训练特性\n\n- 验证集分割: 训练时自动划分验证集\n- 学习率调度: 动态调整学习率\n- 早停（Early Stopping）: 防止过拟合\n- 回调系统: 训练过程监控\n- 模型检查点: 保存最佳模型\n- 训练历史: 记录loss和metrics变化\n\n缺失的评估指标\n\n- Precision/Recall: 精确率/召回率\n- F1-Score: 综合指标\n- 混淆矩阵: 分类问题分析\n\n缺失的高级特性\n\n- GPU加速: 依赖纯CPU计算\n- 分布式训练: 单机单线程\n- 迁移学习: 不支持预训练模型加载\n- 模型可视化: 无内置可视化工具\n\n适用场景与限制\n\n推荐使用场景\n\n1. 教育学习: 理解神经网络基本原理\n - 源码可读性强，适合逐行研读\n - API设计直观，降低学习曲线\n - XOR等示例完整，便于实验\n\n2. 简单分类/回归: 结构化数据的浅层网络\n - 表格数据预测\n - 简单模式识别\n - 基准测试对比\n\n3. 跨平台原型: 需要在多环境运行的项目\n - 服务端训练 + 浏览器推理\n - Deno/Node.js/Bun兼容需求\n\n4. 轻量级应用: 对包体积敏感的场景\n - 无重型依赖\n - Tree-shaking友好\n\n不推荐场景\n\n- 计算机视觉: 缺少CNN层\n- 自然语言处理: 缺少RNN/Transformer\n- 大规模数据: 无GPU加速，训练慢\n- 生产级应用: 缺少监控、日志、错误处理等企业级特性\n\n技术实现亮点\n\n纯TypeScript实现\n\n项目完全使用TypeScript编写，提供了：\n\n- 类型安全: 编译时捕获错误\n- IDE支持: 自动补全、类型提示\n- 文档生成: 可从类型定义生成API文档\n- 代码质量: 静态类型检查减少运行时错误\n\n模块化设计\n\n\n@am/neuralnetwork/\n├── index.ts 核心导出\n├── optimizes/ 优化器\n├── losses/ 损失函数\n└── layers/ 层类型\n\n\n这种结构允许按需导入，减少打包体积：\n\ntypescript\n// 只导入需要的部分\nimport { Adam } from \"@am/neuralnetwork/optimizes\";\nimport { CrossEntropy } from \"@am/neuralnetwork/losses\";\n\n\nJSR发布\n\n项目选择在JSR（JavaScript Registry）发布而非npm，这反映了作者对现代JavaScript生态的拥抱：\n\n- 原生TypeScript支持: 无需额外的.d.ts文件\n- 更好的安全性: 内置的权限和签名机制\n- 现代标准: 支持ES模块、import maps等\n\n与其他库的对比\n\n| 特性 | am-neuralnetwork | TensorFlow.js | Brain.js |\n|------|-----------------|---------------|----------|\n| 体积 | 极小 | 大 | 中等 |\n| 功能 | 基础MLP | 完整深度学习 | MLP+RNN |\n| TypeScript | 原生 | 支持 | 支持 |\n| 跨运行时 | ✅ | 部分 | Node/浏览器 |\n| GPU加速 | ❌ | ✅ | ❌ |\n| 学习曲线 | 平缓 | 陡峭 | 中等 |\n| 适用场景 | 教育/原型 | 生产/研究 | 简单应用 |\n\n总结与评价\n\nam-neuralnetwork 是一个定位清晰的轻量级神经网络库。它明智地选择了"做减法"——放弃复杂功能，专注于基础MLP和跨运行时兼容性。\n\n优点: \n- 代码简洁，适合学习神经网络原理\n- 跨运行时兼容是独特优势\n- TypeScript原生支持，类型安全\n- API设计直观，符合Keras风格\n- JSR发布，拥抱现代生态\n\n局限: \n- 功能有限，仅支持基础MLP\n- 无GPU加速，不适合大规模任务\n- 缺少生产级特性（监控、日志等）\n- 社区和生态较小\n\n对于想要理解神经网络内部工作原理的学习者，或者需要一个小型、跨平台的神经网络解决方案的开发者，这是一个值得考虑的选择。它证明了有时候小而美比大而全更适合特定场景。