Juggernau是一个用Rust编写的实验性神经网络。它是一个使用梯度下降来拟合模型并训练网络的前馈神经网络。Juggernaut使我们能够构建网络应用程序，以在网络浏览器的语境中训练和评估神经网络模型。这是在没有任何服务器或后端的情况下完成的，并且没有使用Javascript来训练模型。

Juggernaut地址：https://juggernaut.rs/

Rust地址：https://www.rust-lang.org/

Juggernaut的开发者友好的API使交互变得很容易。可以将数据集从CSV文件传递给Juggernaut，或者使用编程API将文件添加到模型中，然后请求框架进行训练。 Juggernaut实现了大部分的激活函数以及一些不同的成本函数，包括Cross Entropy。

Juggernaut有一个用React和D3.js编写的演示页面，解释了训练期间的网络，权值和损失。

演示页面地址：https://juggernaut.rs/demo/

演示

演示页面使用户可以在开始训练会话之前定义一些选项。 这些选项是：

• 数据集


• 学习率


• epoch的数量（迭代）

为了使演示页面更直观，更易于使用，在页面上有几个预定义的数据集，该数据集可以从CSV文件中加载和显示数据点。每个数据集有3个类，橙色，蓝色和绿色以及2个特征X和Y。



选择数据集并定义选项后，你可以点击页面上的“训练”按钮开始训练。 点击这个按钮会产生一个新的线程（工作线程），并将数据集和参数传递给创建的线程。

在训练期间，你可以看到网络的epoch的数量，损失和权值。工作线程与浏览器的主线程进行通信，并将结果发送回渲染线程以可视化每一步的训练。



在应用程序中的层数是预定义的。我们有一个输入层，两个隐藏层和一个输出层。 对于隐藏层，我们使用ReLU激活函数，输出层使用具有交叉熵成本函数的Softmax。

编译Rust到Web程序集

Juggernaut的演示页面使用Web程序集和HTML5工作线程,以在网络浏览器的语境中产生一个新线程，并在工作线程和浏览器的渲染线程（主线程）之间进行通信以训练和评估模型。

下面是编译Rust到Web程序集的过程：

Web程序集地址：http://webassembly.org/

编译Rust到Web程序集地址：https://www.slideshare.net/RReverser/rust-javascript



Juggernau不使用任何类型的Javascript代码来训练和评估模型。但是，在大多数网络浏览器没有任何后端服务器的情况下，Juggernaut仍然有可能运行在现代网络浏览器上，包括在Android和iOS上的IE 11和可移植的web浏览器，支持web程序集(来源:http://caniuse.com/ #search= wasm)。

重要的是，演示页面使用单独的线程来训练和评估一个模型，并且不会阻塞Web浏览器的主线程或渲染线程。因此，在训练期间，你仍然可以与页面的UI元素进行交互，或者可以保持训练会话运行一段时间，直到从框架接收到准确评估为止。