neataptic

1.2k 291 非常简单 1 次阅读 2天前NOASSERTION开发框架

AI 解读由 AI 自动生成，仅供参考

Neataptic 是一款专为浏览器和 Node.js 环境设计的高性能神经网络库，致力于让神经网络的构建与训练变得极其灵活高效。它主要解决了传统深度学习框架中网络结构固定、调整繁琐的痛点，允许开发者通过一行代码即可动态移除神经元或突触，无需预设固定的网络架构。

该工具特别适合前端开发者、算法工程师及 AI 爱好者使用，尤其是那些希望在网页端直接运行进化算法或进行快速原型验证的用户。Neataptic 的核心亮点在于其独特的“神经进化”（Neuro-evolution）能力，支持多线程并行演化，能自动根据数据集塑造最优网络形态；同时，其反向传播算法经过深度优化，速度比同类竞品快五倍以上。除了内置多种可定制的经典网络结构（如 LSTM、GRU），它还支持从底层节点到高层架构的自由组合，甚至允许用户逐神经元地手工搭建网络。尽管目前项目已停止维护，但其轻量级、高自由度且无需复杂依赖的特性，使其在轻量级 AI 应用场景中依然具有极高的参考价值和学习意义。

使用场景

某独立游戏开发者需要在浏览器端为 NPC 设计一套能自适应不同地图地形的寻路 AI，且要求无需预先标注大量训练数据。

没有 neataptic 时

架构僵化：必须手动设计固定的神经网络层级结构，难以应对复杂多变的地图环境，调整结构需重写大量代码。
训练依赖强：传统反向传播需要海量标注好的“正确路径”数据，收集这些监督数据耗时耗力且成本高昂。
运行性能差：在浏览器中运行复杂的深度学习模型会导致页面卡顿，无法实现流畅的实时决策。
迭代周期长：每次修改网络结构或参数都需要重新编译或配置后端环境，无法在前端快速验证想法。

使用 neataptic 后

动态进化架构：利用神经进化技术，neataptic 能自动增删神经元和突触，让网络结构随地图难度自然生长，无需人工干预架构。
无监督自学习：NPC 仅通过“是否到达终点”的简单奖励信号即可自我进化，彻底摆脱了对昂贵标注数据的依赖。
极致运行速度：neataptic 专为浏览器优化，反向传播速度比竞品快 5 倍以上，确保游戏在低端设备上也能流畅运行。
前端原生开发：基于 Node.js 和浏览器原生支持，开发者可直接用 JavaScript 单行代码调整网络，实现“修改即见效”的快速迭代。

neataptic 通过灵活的神经进化机制和卓越的浏览器性能，让开发者能在前端轻松构建出具备自我成长能力的智能体。

运行环境要求

操作系统

未说明

GPU

不需要 GPU

内存

未说明

依赖

notes该工具是一个基于 JavaScript/Node.js 的神经网络库，非 Python 项目。支持通过 npm 安装或在浏览器中通过 CDN 引入。项目目前状态为不再维护（unmaintained）。支持神经进化（多线程）和反向传播训练。

python不适用

Node.js >= v7.6

快速开始

Neataptic (未维护)

Neataptic 提供灵活的神经网络；只需一行代码，即可轻松移除神经元和突触。神经网络完全无需固定架构即可正常运行。这种灵活性使我们能够通过神经进化来针对您的数据集对网络进行定制化改造，而这一过程可通过多线程高效完成。

// 该网络通过神经进化学习 XOR 门
var network = new Network(2, 1);

var trainingSet = [
  { input: [0, 0], output: [0] },
  { input: [0, 1], output: [1] },
  { input: [1, 0], output: [1] },
  { input: [1, 1], output: [0] }
];

await network.evolve(trainingSet, {
  equal: true,
  error: 0.03
 });

Neataptic 还能以比竞争对手快 5 倍以上的速度进行反向传播。自行运行测试。以下是 Neataptic 中常规训练的一个示例：

// 该网络通过反向传播学习 XOR 门
var network = new architect.Perceptron(2, 4, 1);

// 训练集与上述示例相同
network.train(trainingSet, {
  error: 0.01
});

network.activate([1, 1]); // 0.9824...

您可以使用任意一个内置的6个网络，并根据需要自定义其规模，从而构建出专属的神经网络：

var myNetwork = new architect.LSTM(1, 10, 5, 1);

或者，您也可以借助预构建的层，自行搭建自己的网络：

var input = new Layer.Dense(2);
var hidden1 = new Layer.LSTM(5);
var hidden2 = new Layer.GRU(3);
var output = new Layer.Dense(1);

input.connect(hidden1);
hidden1.connect(hidden2);
hidden2.connect(output);

var myNetwork = architect.Construct([input, hidden1, hidden2, output]);

您甚至可以使用节点和组逐个构建神经网络！

访问 wiki，开始使用

或尽情体验神经网络

示例

神经网络几乎可用于任何场景：驾驶汽车、玩游戏，甚至用于预测单词！目前，网站仅展示了一小部分示例。如果您有有趣的项目，希望与 Neataptic 的其他用户分享，请随时提交拉取请求！

神经进化示例（监督式）

LSTM 时序预测（监督式）

颜色分类（监督式）

Agar.io-AI（无监督式）

目标寻觅 AI（无监督式）

蛇形游戏 AI（无监督式）

Playground

‌

使用方法

请前往 wiki 查看详细用法。若想可视化您的图表，可前往 graph 文件夹。

安装

Neataptic 的文件托管于 rawgit，只需将此链接复制到 <head> 标签中：

<script src="https://wagenaartje.github.io/neataptic/cdn/1.4.7/neataptic.js"></script>

您也可以通过 Node 安装 Neataptic：

npm install neataptic

请确保已安装 Node.js v7.6 或更高版本！

其他说明

Neataptic 的开发曾参考了 Synaptic 的部分代码。

所采用的神经进化算法为 Instinct 算法。

您一路走到了最后！如果您喜欢这个仓库并希望支持其开发，请考虑捐赠 :thumbsup:

Neataptic 快速上手指南

⚠️ 重要提示：根据官方仓库信息，Neataptic 目前处于不再维护 (unmaintained) 状态。虽然其核心功能（灵活的神经网络架构、神经进化算法及高性能反向传播）依然可用，但在新项目中使用时请谨慎评估长期支持风险。

Neataptic 是一个灵活的 JavaScript 神经网络库，支持通过神经进化（Neuro-evolution）自动调整网络结构，无需预设固定架构。其反向传播速度比同类竞品快 5 倍以上。

环境准备

运行环境：
- Node.js: 版本需为 v7.6 或更高（推荐使用最新的 LTS 版本）。
- 浏览器: 支持现代主流浏览器（通过 CDN 引入）。
前置依赖: 无特殊系统依赖，只需标准的 Node.js 或 HTML 环境。

安装步骤

你可以选择通过 npm 包管理器安装，或直接在 HTML 中通过 CDN 引入。

方式一：使用 npm 安装（推荐 Node.js 项目）

在终端中执行以下命令：

npm install neataptic

方式二：使用 CDN 引入（推荐浏览器项目）

将以下脚本标签添加到 HTML 文件的 <head> 部分：

<script src="https://wagenaartje.github.io/neataptic/cdn/1.4.7/neataptic.js"></script>

(注：目前官方未提供专门的国内镜像源，如加载缓慢，建议将文件下载至本地项目目录引用)

基本使用

Neataptic 的核心优势在于其灵活性，既支持传统的反向传播训练，也支持通过神经进化自动优化网络结构。

1. 神经进化模式 (Neuro-evolution)

这是 Neataptic 的特色功能，网络会自动演化结构以适应数据（例如学习 XOR 逻辑门）：

var neataptic = require('neataptic'); // 若在 Node.js 环境
var Network = neataptic.architect.Network;

// 创建一个初始网络 (2 个输入，1 个输出)
var network = new Network(2, 1);

var trainingSet = [
  { input: [0, 0], output: [0] },
  { input: [0, 1], output: [1] },
  { input: [1, 0], output: [1] },
  { input: [1, 1], output: [0] }
];

// 开始进化训练
await network.evolve(trainingSet, {
  equal: true,
  error: 0.03
});

console.log(network.activate([1, 0])); // 输出预测结果

2. 传统反向传播模式 (Backpropagation)

如果你需要固定的网络架构（如感知机），可以使用内置架构进行快速训练：

var architect = neataptic.architect;

// 创建一个感知机网络 (2 输入，4 隐藏层节点，1 输出)
var network = new architect.Perceptron(2, 4, 1);

var trainingSet = [
  { input: [0, 0], output: [0] },
  { input: [0, 1], output: [1] },
  { input: [1, 0], output: [1] },
  { input: [1, 1], output: [0] }
];

// 训练网络
network.train(trainingSet, {
  error: 0.01
});

// 测试网络
var output = network.activate([1, 1]); 
console.log(output); // 输出接近 0 的值 (例如 0.9824... 的补数，具体取决于激活函数)

3. 自定义复杂架构

你可以自由组合不同的层（如 LSTM, GRU, Dense）来构建自定义网络：

var Layer = neataptic.Layer;
var architect = neataptic.architect;

var input = new Layer.Dense(2);
var hidden1 = new Layer.LSTM(5);
var hidden2 = new Layer.GRU(3);
var output = new Layer.Dense(1);

// 连接各层
input.connect(hidden1);
hidden1.connect(hidden2);
hidden2.connect(output);

// 构建最终网络
var myNetwork = architect.Construct([input, hidden1, hidden2, output]);

版本历史

N1.2.142017/06/04

N1.2.42017/05/27

N1.1.122017/05/23

N1.1.102017/05/17

N1.1.22017/05/10

1.0.122017/04/17

N1.0.02017/04/04

1.0.62017/03/27

1.0.42017/03/26

1.0.12017/03/23

常见问题

如何在 Neataptic 中实现基于奖励/惩罚的强化学习，而不是提供标准答案？

为什么网络激活输出会出现 NaN 或 Infinity？

evolve 函数有时会在第 1 代立即返回且误差为 0，这是为什么？

Neataptic 支持哪些损失函数和激活函数？

最佳基因组在训练过程中消失是 Bug 还是特性？

Neataptic 是否支持多线程或 GPU 加速以提升训练速度？

什么是 NARX 和 GRU 网络，Neataptic 支持吗？

如何选择合适的使用场景：进化算法（NEAT）还是反向传播（Backprop）？

相似工具推荐

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。

★ 162.1k|★★★☆☆|今天

开发框架图像Agent

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

★ 139k|★★☆☆☆|今天

开发框架Agent语言模型

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。

★ 107.7k|★★☆☆☆|2天前

开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。

★ 87.6k|★★☆☆☆|今天

开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。

★ 85k|★★☆☆☆|今天

图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。

★ 77.1k|★★★☆☆|昨天

Agent图像开发框架