neurojs
neurojs 是一个专为浏览器环境设计的 JavaScript 深度学习框架,核心聚焦于强化学习,同时也适用于各类神经网络任务。它旨在解决开发者在无需后端服务器支持的情况下,直接在网页端构建、训练和可视化智能代理(如自动驾驶汽车、游戏 AI)的需求,让机器学习真正运行在用户浏览器中。
这款工具非常适合前端开发者、教育者以及对强化学习感兴趣的研究人员使用。通过内置的直观演示,用户可以轻松观察智能体如何在二维环境中自主学习决策过程。neurojs 的技术亮点在于其完整的强化学习支持,包括均匀与优先经验回放缓冲区、优势学习算法,以及对深度 Q 网络(DQN)和 Actor-Critic 模型的原生支持。此外,它还具备高性能计算能力,并支持神经网络配置的二进制导入导出,方便模型保存与迁移。
需要注意的是,随着 TensorFlow.js 等更通用框架的兴起,neurojs 官方已停止维护。但对于希望深入理解强化学习原理或在轻量级场景中快速原型验证的学习者而言,它依然是一个极具参考价值的开源项目。
使用场景
某前端团队希望在浏览器中直接运行一个无需后端支持的 2D 自动驾驶小车演示,让用户实时观察强化学习模型的训练过程。
没有 neurojs 时
- 开发者必须依赖 Python 后端进行模型训练,再通过 API 将结果传回前端,导致架构复杂且延迟高。
- 难以在纯前端环境中实现深度 Q 网络(DQN)或 Actor-Critic 等高级强化学习算法,功能受限。
- 缺乏现成的优先经验回放(Prioritized Replay)等优化机制,模型收敛速度慢,演示效果卡顿。
- 无法直接二进制导入导出网络权重,每次刷新页面都需要重新训练,用户体验断裂。
- 需要自行编写大量底层神经网络代码,开发周期长且容易出错。
使用 neurojs 后
- 直接在浏览器内构建全栈神经网络框架,彻底移除后端依赖,实现零延迟的本地实时训练。
- 原生支持 DQN 和基于深度确定性策略梯度的 Actor-Critic 模型,轻松复现复杂的自动驾驶逻辑。
- 内置均匀及优先经验回放缓冲区与优势学习算法,显著加快小车在 2D 环境中的决策优化速度。
- 支持网络配置与权重的二进制导入导出,用户可随时保存或加载训练进度,交互流畅自然。
- 提供开箱即用的 2D 自驾车示例代码,团队只需微调参数即可快速上线高质量演示。
neurojs 让复杂的前端强化学习任务变得轻量高效,真正实现了“浏览器即实验室”的即时智能体验。
运行环境要求
- 未说明
不需要专用 GPU(基于浏览器的 JavaScript 框架,利用客户端硬件加速)
未说明

快速开始
neurojs
neurojs 是一个用于在浏览器中进行深度学习的 JavaScript 框架。它主要专注于强化学习,但也可以用于任何基于神经网络的任务。项目包含一些精美的演示,以直观展示这些功能,例如一辆 2D 自动驾驶汽车。
欢迎贡献代码!这类项目的开发在社区中会更加精彩!
注意:由于更通用的框架(如 TensorFlow.js)的出现,本仓库已不再维护,建议您使用这些框架。
特性
- 实现了一个全栈的基于神经网络的机器学习框架
- 扩展的强化学习支持
- 统一和优先级回放缓冲区
- 优势学习(增大动作差距)https://arxiv.org/pdf/1512.04860v1.pdf
- 支持 深度 Q 网络 和 演员-评论家 模型(通过深度确定性策略梯度)
- 网络配置(权重等)的二进制导入导出
- 高性能
示例
- 自动驾驶汽车
- 高级 XOR
- Andrej Karpathy 的 Waterworld(用 NeuroJS 替换了 ConvNetJS)
运行示例
npm install
npm start
在浏览器中打开 http://localhost:8080/examples/,选择您想要运行的演示。
下一步计划
- 更多示例(Pong、摆锤、贪吃蛇、改进版汽车等)
- 对 Web Worker 的支持
- LSTM 和时间反向传播
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备