项目介绍
什么是 Hahaha？
Hahaha 是一个现代化的开源数学和机器学习库，专为机器学习计算而设计，同时具备强大的教育价值。它不仅提供了高效的数值计算功能，还致力于让机器学习的学习过程更加直观和有趣。
项目愿景
Hahaha 的核心理念是让机器学习变得简单、有趣且易于理解。我们相信，通过精心设计的 API 和清晰的文档，可以让开发者在享受编程乐趣的同时，深入理解机器学习算法的本质。
主要目标
-
构建高性能数学/ML库
- 提供张量运算、矩阵计算等基础数学功能
- 支持自动微分（Autograd）功能
- 实现常见的机器学习算法和优化器
-
优秀的代码实现与设计思路记录
- 代码结构清晰，易于理解和学习
- 详细的文档和注释，帮助开发者理解算法原理
- 设计模式和架构决策的详细记录
-
可视化机器学习过程
- 提供训练过程的可视化工具
- 支持模型结构和计算图的可视化
- 让复杂的算法执行过程变得直观
架构设计
Hahaha 采用分层架构设计，从底层硬件抽象到高层用户接口，形成了一个完整的技术栈。整体架构基于 core 目录下的模块化设计，从底层到高层递进：
1. Backend 层（后端层）
位于 core/include/backend/ 目录，负责底层的计算功能实现：
- 设备抽象：
Device.h提供统一的硬件接口 - SIMD 计算优化：
vectorize/子目录下的SimdVector.h和VectorizedOp.h利用 CPU 向量指令集 - GPU 计算：
gpu/子目录预留 CUDA 接口（GpuContext.h,GpuKernel.h,GpuMemory.h） - 计算分发：
DeviceComputeDispatcher.h实现跨设备的计算任务调度
2. Common 层（公共层）
位于 core/include/common/ 目录，提供基础组件：
- 配置管理：
Config.h管理系统配置 - 类型定义：
definitions.h定义数据类型和常量 - 操作符接口：
Operator.h定义运算符抽象 - 结果处理：
Res.h统一错误处理和返回值
3. Math 层（数学层）
位于 core/include/math/ 目录，实现核心数学运算：
- 张量数据结构：
ds/子目录包含TensorData.h,TensorShape.h,TensorStride.h - 张量包装器：
TensorWrapper.h提供高层张量操作接口 - 核心张量类：根目录的
Tensor.h定义张量主接口
4. Compute 层（计算层）
位于 core/include/compute/ 目录，实现自动微分和计算图：
- 计算图：
graph/子目录包含节点定义和拓扑排序 - 计算函数：
graph/compute_funs/提供各种数学运算的具体实现 - 自动微分：支持动态计算图的梯度计算和反向传播
5. ML 层（机器学习层）
位于 core/include/ml/ 目录，实现机器学习算法：
- 模型架构：
model/子目录包含Linear.h,LinearRegression.h,KNearestNeighbors.h - 优化器：
optimizer/包含SGDOptimizer.h等优化算法 - 损失函数：
loss/提供MSELoss.h等损失计算 - 数据集：
dataset/抽象数据加载和预处理接口
6. Display 层（显示层）
位于 core/include/display/ 目录，提供可视化功能：
- 窗口管理：
GlfwWindow.h基于 GLFW 的窗口抽象 - 可视化器：
Visualizer.h和Window.h支持训练过程可视化
7. Utils 层（工具层）
位于 core/include/utils/ 目录，提供辅助功能：
- 日志系统：
log/子目录包含完整的日志框架 - 公共工具：
common/提供辅助数据结构
工具与支持
- 构建系统：基于 Meson + Ninja 的现代化构建流程
- 外部依赖：
extern/externlibs/包含 ImGui, GLFW 等必要的第三方库 - 示例代码：
examples/目录提供 autograd、basic_usage、ml_basic_usage、ml_visualizer 等示例 - 测试套件：
tests/目录包含完整的单元测试和集成测试 - 开发工具：
format.sh脚本提供代码格式化和检查功能
快速开始
基本使用示例
#include <hahaha/Tensor.h>
int main() {
// 创建张量
auto x = hahaha::Tensor<float>::buildFromVector({1.0f, 2.0f, 3.0f, 4.0f});
auto y = hahaha::Tensor<float>::buildFromVector({2.0f, 3.0f, 4.0f, 5.0f});
// 执行计算
auto z = x + y * 2.0f;
// 自动微分
z.backward();
std::cout << "Result shape: (" << z.getShape()[0] << ")" << std::endl;
std::cout << "Gradient shape: (" << x.grad().getShape()[0] << ")" << std::endl;
return 0;
}
机器学习示例
#include <hahaha/Tensor.h>
#include <hahaha/ml/model/LinearRegression.h>
#include <hahaha/ml/optimizer/SGDOptimizer.h>
#include <hahaha/ml/loss/MSELoss.h>
int main() {
// 创建线性回归模型
auto model = hahaha::ml::LinearRegression<float>();
// 准备训练数据
auto X = hahaha::Tensor<float>::buildFromVector({1.0f, 2.0f, 3.0f, 4.0f});
auto y = hahaha::Tensor<float>::buildFromVector({2.0f, 4.0f, 6.0f, 8.0f});
// 训练模型
for (int epoch = 0; epoch < 100; ++epoch) {
model.train(X, y);
}
std::cout << "Training completed!" << std::endl;
return 0;
}
项目特色
🎯 教育导向
- 清晰的代码结构：每个模块都有详细的注释和文档
- 渐进式学习：从基础数学到复杂模型的完整学习路径
- 可视化支持：让抽象的算法变得直观可见
🚀 高性能
- 多后端支持：CPU、GPU、分布式计算
- SIMD优化：充分利用现代CPU的向量指令
- 内存优化：高效的内存管理和垃圾回收
🛠️ 开发者友好
- 现代C++：使用C++23标准，提供类型安全和性能
- 模块化设计：清晰的架构，便于扩展和维护
- 完善的测试：高覆盖率的单元测试和集成测试
📊 可视化
- 训练过程可视化：实时显示loss、accuracy等指标
- 模型结构可视化：直观展示神经网络架构
- 计算图可视化：理解自动微分的执行过程
为什么叫做 Hahaha？
为什么不取一个像 PyTorch、TensorFlow 那样的酷炫技术名字呢？
因为 Hahaha 希望你在学习机器学习、使用机器学习（又或者是深度学习）算法辅助完成自己每天的日常工作的时候，能够让你真心地感到高兴！
我们相信，编程应该是一件快乐的事情，学习应该是一件有趣的事情。通过精心设计的 API、清晰的文档和直观的可视化，我们希望让每个使用 Hahaha 的开发者都能在解决问题的同时，享受到编程带来的乐趣。
就像听到一个有趣的笑话时，你会情不自禁地笑出声一样，我们希望 Hahaha 能成为你编程旅程中的快乐源泉！😄
来自Napbad：这绝对不是因为作者想不出好名字。绝对不是。嗯，是这样。