从零实现的 C++26 神经网络库——不依赖 PyTorch/CUDA，CPU 与 Vulkan GPU 双后端， 覆盖 MLP 到 GPT 的训练与推理全流程，header-only，可两行嵌进你自己的工程。
git clone --recurse-submodules git@github.com:neuralnet-cpp-dev/neuralnet.cpp.git
cd neuralnet.cpp
cmake --preset dev && cmake --build --preset dev # 需要 CMake ≥3.30 + Ninja + C++26 编译器训练你的第一个模型（MNIST，默认数据目录 datasets/mnist_data/）：
./build/dev/mnist_train --gpu --epochs 10 # GPU 训练（无 GPU 去掉 --gpu）
./build/dev/mnist_infer my_digit.csv --model mnist_model.nnmodel把它当库用——三行核心代码构建一个 MLP：
#include <neuralnet.cpp/nn.hpp>
auto engine = nn::CpuEngine::create(); // GPU: nn::GpuBackend::shared()
nn::Model model(*engine);
model.add<nn::Linear>(784, 128); // add<T>(args...) 返回 Result<void>，
model.add<nn::ReLU>(); // 构造后自动 init(engine)
model.add<nn::Linear>(128, 10);
auto pred = model.forward(input); // engine 在 Model 内自动传递准备训练数据（MNIST / 文本语料）
-
MNIST：从 Releases 下载
mnist_data压缩包，解压到datasets/mnist_data/（train.csv/test.csv）。 -
文本语料：
scripts/下的download_*.py脚本；GPT 训练数据统一为.nndataset：./build/dev/tokenizer_train corpus.txt --vocab-size 10000 --output my_bpe.nnvocab ./build/dev/dataset_gen corpus.txt --vocab my_bpe.nnvocab -o corpus.nndataset ./build/dev/text_train corpus.nndataset --gpu
克隆后 extern/ 为空？
v1.13.0 起 core / threadpool / kvrecord / dataset / tokenizer 是 extern/ 下的嵌套 submodule。
已 clone 但漏了子仓时补救：
git submodule update --init --recursive| 亮点 | 说明 |
|---|---|
| 从零实现，全程可读 | 计算引擎、表达式 DSL、AOT kernel 融合、Vulkan 后端、BPE 分词器、训练循环全部自研——想搞懂"框架底层发生了什么"，每一层都有源码与文档 |
| CPU / Vulkan GPU 双后端 | 同一套模型代码切换后端；GPU 侧表达式录制 → AOT 融合单 kernel；f16 混合精度 |
| C++26 header-only | 单一聚合头 nn.hpp；FetchContent / add_subdirectory 两行接入；零手动内存管理 |
| 训练 + 推理闭环 | MLP / CNN / ViT / Transformer / GPT；SGD/Adam/AdamW/Muon；.nnpkg 训练包跨设备复现；GUI 图形界面 |
| RL 与可组合训练 | GAE、REINFORCE/PPO/GRPO、具名多输出、多模型 Session 与可替换 rollout pipeline |
| 严谨的工程口径 | 数值梯度自检、CPU/GPU 位级一致门禁、可引用的研究档案（每个结论带证据 + 重跑命令 + 边界，见 research/） |
诚实设定边界，避免不匹配的预期：
- 不做分布式训练——单机单卡/CPU 为主，没有多机多卡、模型并行或流水线并行；
- 不追吞吐排名——与 PyTorch 的 f32 训练吞吐差距约 2.1×（见 基准报告）， 本项目的价值在可读、自研、可嵌入，不是 benchmark 榜单；
- 不是 Python 生态替代品——没有 autograd 图、没有 pip 包、不兼容 ONNX/checkpoint 格式生态；
- GPU 只走 Vulkan——不做 CUDA/Metal 后端；部分精度路径（全 f16 训练）有已知数值限制，
现状见
research/与 多精度文档。
总索引见 docs/README.md（按读者分册）。最常去的入口：
| 我想… | 去看 |
|---|---|
| 跑通训练/推理（CLI + GUI） | docs/usage/02-quickstart-train-infer.md |
| 用 C++ API 写自己的模型 | docs/development/02-cpp-api-manual.md |
| 把库嵌进自己的工程 | docs/development/01-cmake-integration.md |
| 了解架构与数据流 | docs/introduction/01-architecture.md |
| 引用本仓的实测结论 | research/README.md |
| 组件 | 要求 |
|---|---|
| 编译器 | 任意 C++26 编译器（Clang / GCC / MSVC 均可；CI 主矩阵 = Clang） |
| 构建 | CMake ≥ 3.30 + Ninja（预设：cmake --preset dev 等，见 CMakePresets.json） |
| GPU（可选） | Vulkan SDK；无 GPU 用 --preset cpu 纯 CPU 构建 |
| GUI（可选） | Python 3.10+ + pip install customtkinter pillow |
项目结构
neuralnet.cpp/
├── include/neuralnet.cpp/ ← header-only 库（nn.hpp 统一聚合入口；backend/ = Vulkan 后端）
├── src/ ← 可执行入口：mnist/text 训练与推理、tokenizer、数据集工具
├── shaders/ ← GPU compute shader（AOT 融合产物 + 手写原语）
├── docs/ ← 文档总索引（docs/README.md）：usage / development / contributors / internal / history
├── research/ ← 可引用的研究档案（定义基线 / 实测结论 / 明确标注的 TODO）
├── gui.py ← 图形化操作界面（CustomTkinter）
├── extern/ ← 子仓：core / threadpool / kvrecord / dataset / tokenizer
├── datasets/ · pretrained/ ← 训练数据 · 预训练模型
├── scripts/ · bench/ · compare_with_torch/ ← 数据脚本 · 基准测试 · torch 对拍
└── CMakePresets.json ← 预设构建（dev / portable / cpu / probes ...）
- 用库遇到问题：提 issue，附最小复现与构建环境（编译器版本 + preset）。
- 想贡献代码：入口是 CONTRIBUTING.md（构建、测试口径、PR 自查清单）； 改代码前先读 C++ 开发规范 与 踩坑警示录。
- 维护者：@EthanPeng-2048。发布与版本号规则见 release-policy （版本号由人提出，agent 不得擅自发布）。
- 所有参与方须遵守 行为准则。
GNU Lesser General Public License v3.0（LGPL-3.0，含 GPL-3.0 条款）， © 2026 EthanPeng-2048。闭源应用可以链接本库；对本库本身的修改须以本许可证继续开源。
数据集说明：
scripts/的下载脚本仅从第三方拉取数据（TinyStories、OpenWebText、中文 wiki 等）， 数据集各自持有独立许可证，不随本项目 LGPL 分发，请自行遵守其条款。
本项目的部分代码由 AI 辅助生成，当前使用：DeepSeek V4 / V4.1、Mi Mimo v2.5 / v2.6、 Qwen3.8、VS Code Copilot、ChatGPT Codex。AI 仅作为辅助工具，代码所有权与最终版权 归 EthanPeng-2048，不影响 LGPL 许可证效力。