神经网络训练器

一个纯前端、零安装依赖的神经网络可视化训练工具。直接在浏览器中搭建并训练神经网络，实时观察 Loss 曲线、混淆矩阵和决策边界。

快速开始

用浏览器打开 index.html 即可使用，无需安装任何环境。Loss 图表依赖 Chart.js（CDN 加载，含多源备用与离线降级提示），图表以外的所有功能离线可用。

功能一览

网络搭建

• 支持回归（MSE）和分类（Softmax + Cross Entropy）两种任务
• 自由配置输入/输出维度，任意增删隐藏层
• 激活函数：ReLU / Leaky ReLU / Sigmoid / Tanh
• 优化器：SGD / Momentum / RMSProp / Adam
• 正则化：Dropout + L2 权重衰减
• 支持 He 初始化

训练与评估

• 训练集 / 测试集自动划分，可自定义比例
• 基于验证 Loss 的 Early Stopping
• 双 Y 轴 Loss + 准确率实时曲线（Chart.js）
• 分类任务自动生成混淆矩阵，含 Precision / Recall / F1-Score
• 2D 输入分类任务自动绘制决策边界
• WebGL 硬件加速开关

数据与模型

• 内置 6 个预设示例：XOR、非线性拟合、正弦曲线、鸢尾花分类、螺旋分类、四象限分类
• 手动添加 / 编辑训练数据
• 模型导出为 JSON（含权重、超参数、训练历史）
• 支持模型导入恢复
• 独立推理面板，分类任务显示各类别概率

界面

• 深色主题，响应式布局，适配手机 / 平板 / 桌面

网络架构

整体采用 特征提取 + MLP 分类/回归 的二段式结构：

输入 → [架构模块] → 特征向量 → MLP 隐藏层 → 输出层

架构模块支持四种可选方案：

架构	说明	可配参数
MLP	全连接，输入直通，不做额外特征变换	—
CNN 1D	一维卷积，适合信号峰值检测等局部特征提取	卷积核大小、滤波器数量
RNN	循环网络，将序列逐步编码为隐藏状态，适合时间序列预测	隐藏维度
Attention	多头自注意力 + 均值池化，适合全局依赖建模与波形分类	嵌入维度、注意力头数

架构模块与后续 MLP 联合训练，共享同一优化器和损失函数。分类任务输出层经过 Softmax 得到类别概率。

技术实现

模块	说明
神经网络	纯 JavaScript 手写，前向传播 + 反向传播
架构模块	手写 CNN 1D / RNN / Multi-Head Self-Attention
优化器	手写 Adam / Momentum / RMSProp / SGD
图表	Chart.js 4（CDN）
样式	纯 CSS

所有运算均在浏览器本地完成，数据不会上传到任何服务器。

文件结构

├── index.html    # 全部代码与 UI（单文件）
└── README.md