Нейронна мережа з нуля на чистому JS

Кожен шар зберігає ваги, зсуви та кешовані активації, потрібні для зворотного поширення. Ми використовуємо звичайні масиви (без матриць — так простіше стежити):

function randomWeight() { return (Math.random() - 0.5) * 0.5; }

class Layer {
  // inputSize: нейрони на вході; outputSize: нейрони в цьому шарі
  constructor(inputSize, outputSize, activation = 'sigmoid') {
    this.w = Array.from({length: outputSize}, () =>
      Array.from({length: inputSize}, randomWeight)
    ); // w[j][i] = вага від входу i до виходу j
    this.b = Array(outputSize).fill(0); // зсуви (biases)
    this.activation = activation;

    // Кеш для зворотного поширення (заповнюється під час прямого проходу)
    this.input = null;  // вхід до активації
    this.z     = null;  // значення до активації (w·x + b)
    this.a     = null;  // вихід після активації
  }
}

class NeuralNetwork {
  constructor(topology, activations) {
    // topology = [2, 4, 4, 1] → 2 входи, два прихованих шари по 4, 1 вихід
    this.layers = [];
    for (let i = 1; i < topology.length; i++) {
      this.layers.push(new Layer(topology[i-1], topology[i], activations?.[i-1] ?? 'sigmoid'));
    }
  }
}

const activations = {
  sigmoid: {
    fn:  x => 1 / (1 + Math.exp(-x)),
    der: x => { const s = 1/(1+Math.exp(-x)); return s*(1-s); },
  },
  relu: {
    fn:  x => Math.max(0, x),
    der: x => x > 0 ? 1 : 0,
  },
  tanh: {
    fn:  x => Math.tanh(x),
    der: x => 1 - Math.tanh(x)**2,
  },
  linear: {
    fn:  x => x,
    der: _ => 1,
  },
};

Поширюємо вхід через кожен шар. Для кожного шару обчислюємо z = W·x + b, а потім a = activation(z):

NeuralNetwork.prototype.forward = function(input) {
  let x = input;
  for (const layer of this.layers) {
    layer.input = x;
    const act = activations[layer.activation];

    // z[j] = sum_i(w[j][i] * x[i]) + b[j]
    layer.z = layer.w.map((row, j) =>
      row.reduce((sum, wij, i) => sum + wij * x[i], layer.b[j])
    );

    // a[j] = activation(z[j])
    layer.a = layer.z.map(act.fn);
    x = layer.a;
  }
  return x; // кінцевий вихід
};

// Середньоквадратична помилка: L = (1/N) * Σ(y_pred - y_true)²
function mseLoss(pred, target) {
  return pred.reduce((sum, p, i) => sum + (p - target[i])**2, 0) / pred.length;
}

// dL/d(pred[i]) = 2 * (pred[i] - target[i]) / N
function mseLossGrad(pred, target) {
  const n = pred.length;
  return pred.map((p, i) => 2 * (p - target[i]) / n);
}

Ланцюгове правило поширює градієнти назад від виходу до входу. Для кожного шару (у зворотному порядку):

NeuralNetwork.prototype.backward = function(lossGrad) {
  const grads = []; // зберігаємо градієнти ваг/зсувів для кожного шару
  let delta = lossGrad; // градієнт, що надходить з попереднього шару

  for (let l = this.layers.length - 1; l >= 0; l--) {
    const layer = this.layers[l];
    const act = activations[layer.activation];

    // dL/dz[j] = delta[j] * activation'(z[j])
    const dz = layer.z.map((zj, j) => delta[j] * act.der(zj));

    // dL/dw[j][i] = dz[j] * input[i]
    const dw = layer.w.map((row, j) => row.map((_, i) => dz[j] * layer.input[i]));

    // dL/db[j] = dz[j]
    const db = dz.slice();

    // dL/d(input[i]) = sum_j(dz[j] * w[j][i]) — поширюємо до попереднього шару
    delta = layer.input.map((_, i) =>
      layer.w.reduce((sum, row, j) => sum + dz[j] * row[i], 0)
    );

    grads.unshift({ dw, db }); // додаємо на початок (рухаємось назад)
  }
  return grads;
};

NeuralNetwork.prototype.update = function(grads, lr = 0.01) {
  for (let l = 0; l < this.layers.length; l++) {
    const layer = this.layers[l];
    const { dw, db } = grads[l];

    // w[j][i] -= lr * dL/dw[j][i]
    for (let j = 0; j < layer.w.length; j++) {
      for (let i = 0; i < layer.w[j].length; i++) {
        layer.w[j][i] -= lr * dw[j][i];
      }
      layer.b[j] -= lr * db[j];
    }
  }
};

// Один повний крок навчання
function trainStep(net, inputs, targets, lr) {
  let totalLoss = 0;
  for (let k = 0; k < inputs.length; k++) {
    const pred = net.forward(inputs[k]);
    totalLoss += mseLoss(pred, targets[k]);
    const grad = mseLossGrad(pred, targets[k]);
    const grads = net.backward(grad);
    net.update(grads, lr);
  }
  return totalLoss / inputs.length;
}

// Набір даних XOR
const XOR_X = [[0,0],[0,1],[1,0],[1,1]];
const XOR_Y = [[0],[1],[1],[0]];

// 2 входи → 4 прихованих (sigmoid) → 1 вихід (sigmoid)
const net = new NeuralNetwork([2, 4, 4, 1], ['sigmoid','sigmoid','sigmoid']);

// Цикл навчання
const canvas = document.getElementById('loss-chart');
const ctx = canvas.getContext('2d');
const lossHistory = [];

let epoch = 0;
function trainEpochs(steps = 50) {
  for (let i = 0; i < steps; i++) {
    const loss = trainStep(net, XOR_X, XOR_Y, 0.3);
    lossHistory.push(loss);
    epoch++;
  }

  // Простий графік втрат
  ctx.clearRect(0, 0, canvas.width, canvas.height);
  ctx.strokeStyle = '#22c55e';
  ctx.lineWidth = 2;
  ctx.beginPath();
  lossHistory.forEach((l, i) => {
    const x = i / lossHistory.length * canvas.width;
    const y = (1 - Math.min(l, 1)) * canvas.height;
    i === 0 ? ctx.moveTo(x, y) : ctx.lineTo(x, y);
  });
  ctx.stroke();

  if (epoch < 3000) requestAnimationFrame(() => trainEpochs(50));
}

trainEpochs();

// Перевірка після навчання
console.log('Результати XOR після навчання:');
for (let k = 0; k < XOR_X.length; k++) {
  const pred = net.forward(XOR_X[k])[0].toFixed(3);
  console.log(`[${XOR_X[k]}] → ${pred} (очікувано ${XOR_Y[k][0]})`);
}
// Очікуваний вивід: значення близькі до 0, 1, 1, 0