Shumai

Shumai is een tensorbibliotheek waarmee JavaScript-ontwikkelaars machine-learningmodellen kunnen bouwen en trainen met prestaties die geschikt zijn voor productie. De bibliotheek overbrugt de kloof tussen webontwikkeling en numerieke berekeningen met differentieerbare tensors, automatische gradiëntberekening en efficiënte matrixbewerkingen.

Hoogtepunten

• Snelle uitvoering via FFI-koppelingen met de Bun-runtime
• Ondersteuning voor GPU-versnelling bij grootschalige berekeningen
• Automatische differentiatie voor backpropagation en het volgen van gradiënten
• Netwerkverbindingen voor gedistribueerde ML-workflows
• Standaard tensorbewerkingen en bouwstenen voor neurale netwerken
• TypeScript-first ontwerp met sterke typeveiligheid

De bibliotheek richt zich op JavaScript-ontwikkelaars die serieuze ML-mogelijkheden nodig hebben zonder van programmeertaal te wisselen. Ze is vooral nuttig voor het integreren van modellen in webapplicaties, het bouwen van gegevensverwerkingspijplijnen in Node.js en het experimenteren met neurale netwerken in een taal die de meeste frontend- en fullstackontwikkelaars al kennen. Het project is nog experimenteel, maar wordt actief onderhouden en is geschikt voor ontwikkel- en onderzoeksdoeleinden.