一个支持GPU加速的JavaScript深度学习库，提供直观的API设计，支持CNN与ANN混合架构、迁移学习和模型保存加载功能。

• 原作者/维护者：KarkAngelo114
• 来源平台：github
• 原始标题：Neurex
• 原始链接：https://github.com/KarkAngelo114/Neurex
• 来源发布时间/更新时间：2026-06-12T03:42:48Z

Neurex：为Node.js打造的GPU加速神经网络库\n\n## 原作者与来源\n\n- 原作者/维护者： KarkAngelo114\n- 来源平台： GitHub\n- 原始标题： Neurex\n- 原始链接： https://github.com/KarkAngelo114/Neurex\n- 发布时间： 2026年6月\n\n---\n\n## JavaScript生态中的深度学习缺口\n\n在深度学习领域，Python几乎占据了统治地位。TensorFlow、PyTorch等主流框架都以Python为首选接口。然而，对于大量使用Node.js的Web开发者来说，要在服务器端运行神经网络训练，往往面临两难选择：要么切换到Python环境，要么使用仅支持推理的预训练模型。\n\nNeurex的出现填补了这一空白。这是一个专为Node.js设计的深度学习库，不仅支持CPU训练，还能通过OpenCL利用GPU加速。更重要的是，它提供了极其直观的API设计，让Web开发者无需深入了解底层数学，就能快速构建和训练神经网络。\n\n---\n\n## 核心特性一览\n\nNeurex的设计哲学是"简单但不简陋"。它抽象了反向传播和权重初始化等复杂操作，同时保留了足够的灵活性，让开发者能够真正"看见"和"设计"自己的网络架构。\n\n### 架构灵活性\n\nNeurex支持多种网络架构的组合：\n\n- 纯ANN（人工神经网络）：适合表格数据和简单分类任务\n- 纯CNN（卷积神经网络）：适合图像处理任务\n- CNN + ANN混合架构：提取图像特征后接全连接层进行分类\n\n这种"混合搭配"的能力在Node.js生态中并不常见，使得Neurex可以应对更复杂的应用场景。\n\n### GPU加速支持\n\n通过OpenCL技术，Neurex能够在支持的硬件上启用GPU加速。开发者可以通过简单的配置切换训练模式：\n\n- mode: \"cpu\"：纯CPU训练，兼容性最好\n- mode: \"gpu\"：强制使用GPU加速\n- mode: \"auto\"：自动检测并选择最优设备\n\n### 模块系统兼容\n\nNeurex同时支持CommonJS和ES Module两种导入方式，无论你使用require()还是import，都能无缝集成到现有项目中。\n\n### 迁移学习与模型复用\n\nNeurex提供了完整的模型保存和加载机制：\n\n- 保存模型：nrx.saveModel('model')会生成.nrx格式的模型文件\n- 加载模型：nrx.loadSavedModel(\"model.nrx\")可以完整恢复模型架构和权重\n- 迁移学习：通过pop()移除顶层，add_layer()添加新层，轻松实现迁移学习\n\n---\n\n## 快速入门：XOR问题实战\n\nXOR问题是神经网络教学中的经典入门案例。以下是用Neurex解决XOR问题的完整代码：\n\njavascript\nconst {Neurex, Layers} = require('neurex');\n\nconst nrx = new Neurex();\nconst layer = new Layers();\n\n(async () => {\n // 训练数据：XOR真值表\n const trainX = [[0, 0], [0, 1], [1, 0], [1, 1]];\n const trainY = [[0], [1], [1], [0]];\n\n // 配置优化器和学习参数\n nrx.configure({\n optimizer: 'adam',\n learning_rate: 0.1,\n checkpoint_per_epoch: 100, // 每100轮保存一次检查点\n mode: \"cpu\" // 或 \"gpu\" / \"auto\"\n });\n\n // 按顺序堆叠网络层\n nrx.sequentialBuild([\n layer.inputShape({ features: 2 }),\n layer.connectedLayer('relu', 4), // 隐藏层：4个神经元，ReLU激活\n layer.connectedLayer('sigmoid', 1) // 输出层：1个神经元，Sigmoid激活\n ]);\n\n // 查看模型结构摘要\n nrx.modelSummary();\n\n // 训练模型\n await nrx.train(trainX, trainY, 'binary_cross_entropy', 1000, 2);\n\n // 保存训练好的模型\n nrx.saveModel('xor_model');\n\n // 进行预测\n const predictions = await nrx.predict(trainX);\n console.log(predictions);\n})();\n\n\n这段代码展示了Neurex的核心设计：配置、构建、训练、保存、预测，流程清晰直观。\n\n---\n\n## 迁移学习实战\n\n迁移学习是深度学习中的重要技术，Neurex提供了简洁的API来支持这一需求：\n\njavascript\nconst { Neurex, Layers } = require('neurex');\n\n(async () => {\n const nrx = new Neurex();\n const layer = new Layers();\n\n // 加载预训练模型\n await nrx.loadSavedModel(\"model.nrx\");\n \n // 移除最后一层\n nrx.pop();\n \n // 添加新的输出层（例如从二分类改为三分类）\n nrx.add_layer(layer.connectedLayer('softmax', 3));\n\n // 查看更新后的模型结构\n nrx.modelSummary();\n \n // 继续训练...\n})();\n\n\n这种设计让开发者可以轻松地将预训练模型适配到新的任务上，大大减少了训练时间和数据需求。\n\n---\n\n## 预定义网络模板\n\n为了帮助新手快速上手，Neurex还提供了预定义的神经网络模板。这些模板封装了常见的网络架构，开发者可以直接"拖放"到sequentialBuild()中使用。具体模板列表可以参考官方文档，涵盖了从简单的全连接网络到复杂的卷积网络等多种结构。\n\n---\n\n## 技术实现细节\n\nNeurex的GPU加速基于OpenCL实现。OpenCL（Open Computing Language）是一个跨平台的并行计算框架，支持多种硬件厂商的GPU。这意味着Neurex不仅能在NVIDIA显卡上运行，也支持AMD、Intel等厂商的GPU设备，具有更好的硬件兼容性。\n\n模型文件采用专有的.nrx格式存储，包含完整的网络架构和训练后的权重参数。这种格式经过优化，加载速度快，同时保持了良好的兼容性。\n\n---\n\n## 适用场景与目标用户\n\nNeurex最适合以下场景：\n\n- Web开发者入门深度学习：无需切换到Python环境，在熟悉的Node.js生态中学习神经网络\n- 快速原型验证：在Web服务中快速集成简单的AI功能\n- 教育用途：直观的API设计适合教学演示\n- 轻量级生产部署：对于不需要复杂深度学习框架的轻量级任务\n\n需要注意的是，Neurex的定位是"易用"而非"最强性能"。对于需要大规模分布式训练或最新SOTA模型的场景，传统的Python框架仍然是更好的选择。\n\n---\n\n## 开发版本与社区参与\n\nNeurex提供了开发版本安装选项，适合希望尝鲜新功能或参与贡献的开发者：\n\nbash\nnpm install git+https://github.com/KarkAngelo114/Neurex.git\n\n\n开发版本可能包含API变更、未完成的功能和文档滞后等问题，主要面向早期采用者、贡献者和测试人员。项目欢迎反馈和Bug报告。\n\n---\n\n## 总结\n\nNeurex为Node.js开发者打开了一扇通往深度学习的大门。它证明了JavaScript生态同样可以拥有功能完整、易于使用的神经网络库。虽然它可能无法替代PyTorch或TensorFlow在研究和生产中的主导地位，但对于Web开发者、教育工作者和快速原型开发者来说，Neurex提供了一个低门槛的入门选择。\n\n项目的口号"Use vs See"很好地概括了其设计理念：不只是让你"使用"预定义的网络，而是让你"看见"和"设计"自己的网络。这种透明度和可控性，正是许多开发者所需要的。\n\n---\n\n关键词： Node.js、JavaScript、神经网络、GPU加速、深度学习、OpenCL、迁移学习、XOR问题

原作者与来源

• 原作者/维护者：KarkAngelo114
• 来源平台：github
• 原始标题：Neurex
• 原始链接：https://github.com/KarkAngelo114/Neurex
• 来源发布时间/更新时间：2026-06-12T03:42:48Z Neurex：为Node.js打造的GPU加速神经网络库\n\n原作者与来源\n\n- 原作者/维护者： KarkAngelo114\n- 来源平台： GitHub\n- 原始标题： Neurex\n- 原始链接： https://github.com/KarkAngelo114/Neurex\n- 发布时间： 2026年6月\n\n---\n\nJavaScript生态中的深度学习缺口\n\n在深度学习领域，Python几乎占据了统治地位。TensorFlow、PyTorch等主流框架都以Python为首选接口。然而，对于大量使用Node.js的Web开发者来说，要在服务器端运行神经网络训练，往往面临两难选择：要么切换到Python环境，要么使用仅支持推理的预训练模型。\n\nNeurex的出现填补了这一空白。这是一个专为Node.js设计的深度学习库，不仅支持CPU训练，还能通过OpenCL利用GPU加速。更重要的是，它提供了极其直观的API设计，让Web开发者无需深入了解底层数学，就能快速构建和训练神经网络。\n\n---\n\n核心特性一览\n\nNeurex的设计哲学是"简单但不简陋"。它抽象了反向传播和权重初始化等复杂操作，同时保留了足够的灵活性，让开发者能够真正"看见"和"设计"自己的网络架构。\n\n架构灵活性\n\nNeurex支持多种网络架构的组合：\n\n- 纯ANN（人工神经网络）：适合表格数据和简单分类任务\n- 纯CNN（卷积神经网络）：适合图像处理任务\n- CNN + ANN混合架构：提取图像特征后接全连接层进行分类\n\n这种"混合搭配"的能力在Node.js生态中并不常见，使得Neurex可以应对更复杂的应用场景。\n\nGPU加速支持\n\n通过OpenCL技术，Neurex能够在支持的硬件上启用GPU加速。开发者可以通过简单的配置切换训练模式：\n\n- mode: \"cpu\"：纯CPU训练，兼容性最好\n- mode: \"gpu\"：强制使用GPU加速\n- mode: \"auto\"：自动检测并选择最优设备\n\n模块系统兼容\n\nNeurex同时支持CommonJS和ES Module两种导入方式，无论你使用require()还是import，都能无缝集成到现有项目中。\n\n迁移学习与模型复用\n\nNeurex提供了完整的模型保存和加载机制：\n\n- 保存模型：nrx.saveModel('model')会生成.nrx格式的模型文件\n- 加载模型：nrx.loadSavedModel(\"model.nrx\")可以完整恢复模型架构和权重\n- 迁移学习：通过pop()移除顶层，add_layer()添加新层，轻松实现迁移学习\n\n---\n\n快速入门：XOR问题实战\n\nXOR问题是神经网络教学中的经典入门案例。以下是用Neurex解决XOR问题的完整代码：\n\njavascript\nconst {Neurex, Layers} = require('neurex');\n\nconst nrx = new Neurex();\nconst layer = new Layers();\n\n(async () => {\n // 训练数据：XOR真值表\n const trainX = [[0, 0], [0, 1], [1, 0], [1, 1]];\n const trainY = [[0], [1], [1], [0]];\n\n // 配置优化器和学习参数\n nrx.configure({\n optimizer: 'adam',\n learning_rate: 0.1,\n checkpoint_per_epoch: 100, // 每100轮保存一次检查点\n mode: \"cpu\" // 或 \"gpu\" / \"auto\"\n });\n\n // 按顺序堆叠网络层\n nrx.sequentialBuild([\n layer.inputShape({ features: 2 }),\n layer.connectedLayer('relu', 4), // 隐藏层：4个神经元，ReLU激活\n layer.connectedLayer('sigmoid', 1) // 输出层：1个神经元，Sigmoid激活\n ]);\n\n // 查看模型结构摘要\n nrx.modelSummary();\n\n // 训练模型\n await nrx.train(trainX, trainY, 'binary_cross_entropy', 1000, 2);\n\n // 保存训练好的模型\n nrx.saveModel('xor_model');\n\n // 进行预测\n const predictions = await nrx.predict(trainX);\n console.log(predictions);\n})();\n\n\n这段代码展示了Neurex的核心设计：配置、构建、训练、保存、预测，流程清晰直观。\n\n---\n\n迁移学习实战\n\n迁移学习是深度学习中的重要技术，Neurex提供了简洁的API来支持这一需求：\n\njavascript\nconst { Neurex, Layers } = require('neurex');\n\n(async () => {\n const nrx = new Neurex();\n const layer = new Layers();\n\n // 加载预训练模型\n await nrx.loadSavedModel(\"model.nrx\");\n \n // 移除最后一层\n nrx.pop();\n \n // 添加新的输出层（例如从二分类改为三分类）\n nrx.add_layer(layer.connectedLayer('softmax', 3));\n\n // 查看更新后的模型结构\n nrx.modelSummary();\n \n // 继续训练...\n})();\n\n\n这种设计让开发者可以轻松地将预训练模型适配到新的任务上，大大减少了训练时间和数据需求。\n\n---\n\n预定义网络模板\n\n为了帮助新手快速上手，Neurex还提供了预定义的神经网络模板。这些模板封装了常见的网络架构，开发者可以直接"拖放"到sequentialBuild()中使用。具体模板列表可以参考官方文档，涵盖了从简单的全连接网络到复杂的卷积网络等多种结构。\n\n---\n\n技术实现细节\n\nNeurex的GPU加速基于OpenCL实现。OpenCL（Open Computing Language）是一个跨平台的并行计算框架，支持多种硬件厂商的GPU。这意味着Neurex不仅能在NVIDIA显卡上运行，也支持AMD、Intel等厂商的GPU设备，具有更好的硬件兼容性。\n\n模型文件采用专有的.nrx格式存储，包含完整的网络架构和训练后的权重参数。这种格式经过优化，加载速度快，同时保持了良好的兼容性。\n\n---\n\n适用场景与目标用户\n\nNeurex最适合以下场景：\n\n- Web开发者入门深度学习：无需切换到Python环境，在熟悉的Node.js生态中学习神经网络\n- 快速原型验证：在Web服务中快速集成简单的AI功能\n- 教育用途：直观的API设计适合教学演示\n- 轻量级生产部署：对于不需要复杂深度学习框架的轻量级任务\n\n需要注意的是，Neurex的定位是"易用"而非"最强性能"。对于需要大规模分布式训练或最新SOTA模型的场景，传统的Python框架仍然是更好的选择。\n\n---\n\n开发版本与社区参与\n\nNeurex提供了开发版本安装选项，适合希望尝鲜新功能或参与贡献的开发者：\n\nbash\nnpm install git+https://github.com/KarkAngelo114/Neurex.git\n\n\n开发版本可能包含API变更、未完成的功能和文档滞后等问题，主要面向早期采用者、贡献者和测试人员。项目欢迎反馈和Bug报告。\n\n---\n\n总结\n\nNeurex为Node.js开发者打开了一扇通往深度学习的大门。它证明了JavaScript生态同样可以拥有功能完整、易于使用的神经网络库。虽然它可能无法替代PyTorch或TensorFlow在研究和生产中的主导地位，但对于Web开发者、教育工作者和快速原型开发者来说，Neurex提供了一个低门槛的入门选择。\n\n项目的口号"Use vs See"很好地概括了其设计理念：不只是让你"使用"预定义的网络，而是让你"看见"和"设计"自己的网络。这种透明度和可控性，正是许多开发者所需要的。\n\n---\n\n关键词： Node.js、JavaScript、神经网络、GPU加速、深度学习、OpenCL、迁移学习、XOR问题