Zekânın
temelinde._
Modelinizi kurun. Hesabı görün.
Her gradyanın kontrolünü elinize alın.
C++20 sinir ağı katmanları ve açık geri yayılım. Sade bir arayüz; matematik katmanın içindedir.
Y 00.64
Z 00.32
SIMD / skalar hız oranı
2026-09-29 · Linear · 256İleri + geri geçiş
Aynı Linear iş yüküHizalı tensör belleği
Float32 · paylaşımlı depolamaTüm katmanlar için bir sözleşme
forward(x) / backward(dy)Kara kutuyu açın.
Her adımı anlayın.
Veri, katman, kayıp ve güncelleme. Sorumlulukları ayrılmış bir ekosistem, açıkça görünen bir hesaplama akışı.
x: TensorVeriyi hazırlayıny = model.forward(x)Hesabı çalıştırındL / dyGradyanı üretinθ ← optimizer.step()Ağırlıkları güncelleyinAçık geri yayılım. Paylaşılan global teyp gerekmez.
Donanıma yakın.
Çalışma zamanında seçilen SIMD çekirdekleri. 64 bayt hizalı, tekrar kullanılabilen tamponlar.
CPU mimarisini incele ↗Türevler görünür.
Katmanlarda analitik backward. Attention içinde küçük, katmana özel MicroTape.
Geri yayılımı anla ↗Birleşmeye hazır.
Sequential ile birleştirin. Module ile genişletin. Matematikten uygulamaya doğrudan geçin.
Modülleri keşfet ↗Fikirden mimariye.
Katman katman.
Ayrıca: Normalization·11 activations·Pooling·Embedding·Dropout
Bir iş yükü.
29 Eylül tablosu.
Çubuk, 29 Eylül 2026 tek iş parçacıklı Linear ölçümüdür. 21 Ekim 2026 akşamı bu Ryzen 7 5800H üzerinde ayrıdır. GEMM çekirdeği avx2-4x16 kaldı. N=2048 Nexus 330, 362 ve 369 GFLOPS; TensorFlow 389. CPU Conv2d, PyTorch 31.6 GFLOPS gerisindeydi. Nexus o akşam yaklaşık 4.9 ile 6.8 GFLOPS arasındaydı. Depthwise AVX, PyTorch 4.93 ve TensorFlow 0.688 önündeydi. AVX-512 bu işlemcide seçilmez. Dünya sıralaması yoktur.
NexusModel · NumPy · PyTorchAz kod.
Tam kontrol.
Modeli tanımlayın, girdiyi geçirin, dış gradyanı geri gönderin. İlk çalışan örneğiniz, tam burada.
#include <nexus_model/nexus_model.hpp>#include <iostream>#include <memory>using namespace nexus_model;int main() { init::manual_seed(42); Sequential model({ std::make_shared<Linear>(784, 256), std::make_shared<GELU>(), std::make_shared<Linear>(256, 10) }); auto x = Tensor::full({32, 784}, 0.1f); model.zero_grad(); auto y = model.forward(x); // Example objective: L = sum(y). dL/dy = 1. auto dy = Tensor::full({32, 10}, 1.0f); auto dx = model.backward(dy); std::cout << y.size(0) << " x " << y.size(1) << "\n"; return dx.same_shape(x) ? 0 : 1;}Matematikle aynı dili konuşan bir API.
C++20 ve standart CMake derlemesi
Açık girdi ve çıktı şekilleri
Doğrudan erişilebilir parametre gradyanları
Kaynak kodla eşleşen ayrıntılı rehberler
Kurulum rehberini açÖrnek L = sum(y) kullanır. Gerçek eğitim için kayıp ve optimizer ekleyin.
Sadece kullanmayın.
İçini öğrenin.
Tensör belleğinden attention matematiğine. Tek bir satırdan, bütün mimariye.
Bu yazılım ekosistemi Bursa Teknik Üniversitesi Bilgisayar Mühendisliği 1. sınıf öğrencisi Muhammed Fatih Şahin tarafından yapay zeka destekli olarak geliştirilmiştir.
Dokümantasyonu keşfet