🧠 Neural Network Go Library

Simple and efficient neural network implementation for Go
Optimized for genetic algorithms and neuroevolution

---

🇬🇧  English   

✨ Features

🏗️ Architecture Fully connected feedforward networks Arbitrary topology support Tanh activation function Zero external dependencies

🧬 Genetic Algorithms Built-in mutation support Network crossover Deep cloning Population evolution

💾 Persistence JSON serialization Save/Load models Complete topology preservation Human-readable format

🚀 Quick Start

Installation

go get github.com/Sekerator/neural-network

Basic Usage

package main

import (
    nn "github.com/Sekerator/neural-network"
)

func main() {
    // Create neural network
    network := nn.NewNeuralNetwork()
    
    // Initialize: 3 inputs → 2 hidden layers (5, 3 neurons) → 2 outputs
    network.Init(3, 2, []int{5, 3}, 2)
    
    // Process inputs
    network.SetInputs([]float32{0.5, 0.8, -0.2})
    
    // Get outputs
    for _, neuron := range network.OutputNeurons {
        println(neuron.Result)
    }
}

📖 API Reference

Core Methods

Method	Description	Parameters
NewNeuralNetwork()	Create new network	-
Init(...)	Initialize topology	inputs, layers, neurons[], outputs
SetInputs(...)	Set input values	[]float32
Calculate()	Forward propagation	-

Genetic Operations

Method	Description	Parameters
Mutate(...)	Random mutations	chance, range
Clone()	Deep copy	-
Crossover(...)	Combine networks	*NeuralNetwork

Persistence

Method	Description	Parameters
Save(...)	Export to JSON	filename
Load(...)	Import from JSON	filename

🎯 Examples

XOR Problem

Complete XOR solution using genetic algorithm:

cd examples/xor
go run main.go

Simple Network

Basic network operations demo:

cd examples/simple
go run main.go

🏛️ Architecture

graph LR
    I1[Input 1] --> H1[Hidden 1]
    I2[Input 2] --> H1
    I1 --> H2[Hidden 2]
    I2 --> H2
    H1 --> O[Output]
    H2 --> O

Loading

Components

• NeuralNetwork - Main container managing topology
• Neuron - Computational unit with bias and activation
• Synapse - Weighted connection between neurons

🎮 Applications

Perfect for:

• Game AI - NPC behavior, decision making
• Robotics - Controller evolution
• Optimization - Genetic algorithm problems
• Research - Neuroevolution experiments
• Education - Learning neural networks

⚡ Performance

• 🎯 Uses float32 for memory efficiency
• 🚀 Optimized forward propagation
• 📦 Minimal memory allocations
• 🔧 Zero dependencies

🇷🇺  Русский   

✨ Возможности

🏗️ Архитектура Полносвязные сети прямого распространения Поддержка произвольной топологии Функция активации tanh Без внешних зависимостей

🧬 Генетические алгоритмы Встроенная поддержка мутаций Кроссовер сетей Глубокое клонирование Эволюция популяции

💾 Сохранение Сериализация в JSON Сохранение/загрузка моделей Полное сохранение топологии Человекочитаемый формат

🚀 Быстрый старт

Установка

go get github.com/Sekerator/neural-network

Базовое использование

package main

import (
    nn "github.com/Sekerator/neural-network"
)

func main() {
    // Создаём нейронную сеть
    network := nn.NewNeuralNetwork()
    
    // Инициализация: 3 входа → 2 скрытых слоя (5, 3 нейрона) → 2 выхода
    network.Init(3, 2, []int{5, 3}, 2)
    
    // Обработка входов
    network.SetInputs([]float32{0.5, 0.8, -0.2})
    
    // Получение выходов
    for _, neuron := range network.OutputNeurons {
        println(neuron.Result)
    }
}

📖 Справочник API

Основные методы

Метод	Описание	Параметры
NewNeuralNetwork()	Создать новую сеть	-
Init(...)	Инициализировать топологию	входы, слои, нейроны[], выходы
SetInputs(...)	Установить входные значения	[]float32
Calculate()	Прямое распространение	-

Генетические операции

Метод	Описание	Параметры
Mutate(...)	Случайные мутации	вероятность, диапазон
Clone()	Глубокая копия	-
Crossover(...)	Скрещивание сетей	*NeuralNetwork

Сохранение

Метод	Описание	Параметры
Save(...)	Экспорт в JSON	имя файла
Load(...)	Импорт из JSON	имя файла

🎯 Примеры

Задача XOR

Полное решение XOR с использованием генетического алгоритма:

cd examples/xor
go run main.go

Простая сеть

Демонстрация базовых операций:

cd examples/simple
go run main.go

🏛️ Архитектура

graph LR
    I1[Вход 1] --> H1[Скрытый 1]
    I2[Вход 2] --> H1
    I1 --> H2[Скрытый 2]
    I2 --> H2
    H1 --> O[Выход]
    H2 --> O

Loading

Компоненты

• NeuralNetwork - Основной контейнер управления топологией
• Neuron - Вычислительная единица с bias и активацией
• Synapse - Взвешенная связь между нейронами

🎮 Применение

Идеально подходит для:

• Игровой ИИ - Поведение NPC, принятие решений
• Робототехника - Эволюция контроллеров
• Оптимизация - Задачи генетических алгоритмов
• Исследования - Эксперименты с нейроэволюцией
• Образование - Изучение нейронных сетей

⚡ Производительность

• 🎯 Использует float32 для эффективности памяти
• 🚀 Оптимизированное прямое распространение
• 📦 Минимальные аллокации памяти
• 🔧 Без зависимостей

🇨🇳  中文   

✨ 特性

🏗️ 架构 全连接前馈网络 支持任意拓扑 Tanh激活函数 零外部依赖

🧬 遗传算法 内置突变支持 网络交叉 深度克隆 种群进化

💾 持久化 JSON序列化 保存/加载模型 完整拓扑保存 人类可读格式

🚀 快速开始

安装

go get github.com/Sekerator/neural-network

基本用法

package main

import (
    nn "github.com/Sekerator/neural-network"
)

func main() {
    // 创建神经网络
    network := nn.NewNeuralNetwork()
    
    // 初始化：3个输入 → 2个隐藏层（5、3个神经元）→ 2个输出
    network.Init(3, 2, []int{5, 3}, 2)
    
    // 处理输入
    network.SetInputs([]float32{0.5, 0.8, -0.2})
    
    // 获取输出
    for _, neuron := range network.OutputNeurons {
        println(neuron.Result)
    }
}

📖 API 参考

核心方法

方法	描述	参数
NewNeuralNetwork()	创建新网络	-
Init(...)	初始化拓扑	输入, 层数, 神经元[], 输出
SetInputs(...)	设置输入值	[]float32
Calculate()	前向传播	-

遗传操作

方法	描述	参数
Mutate(...)	随机突变	概率, 范围
Clone()	深度复制	-
Crossover(...)	交叉网络	*NeuralNetwork

持久化

方法	描述	参数
Save(...)	导出到JSON	文件名
Load(...)	从JSON导入	文件名

🎯 示例

XOR问题

使用遗传算法的完整XOR解决方案：

cd examples/xor
go run main.go

简单网络

基本操作演示：

cd examples/simple
go run main.go

🏛️ 架构

graph LR
    I1[输入1] --> H1[隐藏1]
    I2[输入2] --> H1
    I1 --> H2[隐藏2]
    I2 --> H2
    H1 --> O[输出]
    H2 --> O

Loading

组件

• NeuralNetwork - 管理拓扑的主容器
• Neuron - 带偏置和激活的计算单元
• Synapse - 神经元之间的加权连接

🎮 应用

完美适用于：

• 游戏AI - NPC行为、决策制定
• 机器人 - 控制器进化
• 优化 - 遗传算法问题
• 研究 - 神经进化实验
• 教育 - 学习神经网络

⚡ 性能

• 🎯 使用float32提高内存效率
• 🚀 优化的前向传播
• 📦 最小内存分配
• 🔧 零依赖

---

📄 License

This project is licensed under the MIT License - see the LICENSE file for details.

👤 Author

Created with ❤️ by Sekerator