サンプル

すべてのサンプルはリポジトリルートから go run で実行できます:

サンプル	コマンド	見せるもの
helloworld	go run ./_example/helloworld	最小のプログラム: グラフ上で 2 つの値を加算
dataset	go run ./_example/dataset	Dataset のワークフロー: shuffle, split, standardize, batches
xor	go run ./_example/xor	XOR の学習 (MSE + softmax の健全性チェック)
fizzbuzz	go run ./_example/fizzbuzz	分類問題としての FizzBuzz
spiral	go run ./_example/spiral	3 クラスのスパイラル分類
iris	go run ./_example/iris	Iris の分類
mnist	go run ./_example/mnist	MNIST 分類器 (-model dense, cnn, knn) と保存/読込
charrnn	go run ./_example/charrnn	自動微分エンジン上の文字レベル LSTM テキスト生成
tinygpt	GOEXPERIMENT=simd go run ./_example/tinygpt	n 次元自動微分エンジンでゼロから学習する文字レベル transformer (-gpu でデバイス学習)
plasma	go run ./_example/plasma	ニューラルネットワークが描くターミナルプラズマ — 生きた SIMD ベンチマーク
dot	go run ./_example/dot	z = x + y グラフの Graphviz DOT エクスポート
tensor	go run ./_example/tensor	N 次元 Tensor ツアー: ブロードキャスト、バッチ MatMul、attention
wgpu	go run -tags wgpu ./_example/wgpu	WebGPU MatMul: アダプタ情報、CPU との照合、GPU vs CPU スイープ
gpt2	GOEXPERIMENT=simd go run ./_example/gpt2	公開 GPT-2 (124M) チェックポイントが純 Go でテキスト生成

gpt2 サンプルは初回に GPT-2 チェックポイント (~550MB) をダウンロードします。instruction-tuned モデル (Qwen2.5-0.5B から 7B まで 9 ファミリー) は tensai コマンドを使ってください: LLM 推論を参照。

MNIST

MNIST サンプルは標準の IDX gzip ファイルがなければ _example/mnist/data にダウンロードします (MNIST_DIR で別のキャッシュディレクトリを指定可能。生の IDX と .gz の両方を受け付けます):

go run ./_example/mnist                                  # dense MLP
go run ./_example/mnist -model cnn                       # Conv2D/MaxPool2D/Dropout + AdamW
go run ./_example/mnist -model knn                       # 学習不要の k-NN ベースライン
go run ./_example/mnist -model cnn -export mnist.tflite  # TFLite へエクスポート

5000 サンプルのサブセットで、k-NN ベースラインは約 91%、MLP は約 92%、CNN は約 95% です。学習する 2 つのバリアントは最後にモデルを保存し、再読込後に再スコアします。-export は LiteRT インタプリタ上で同一スコアになる TFLite flatbuffer を書き出します — モデルフォーマット参照。

charrnn

埋め込みのパブリックドメインテキストで文字レベル LSTM を学習し、SaveParamsFile でパラメータを保存し、新しいモデルに復元して、再読込したパラメータからサンプルを生成します。

tinygpt

charrnn と同じ埋め込みテキストで、小さな文字レベル transformer (トークン埋め込みと位置埋め込み、4 ヘッドの因果 attention と GELU の feed-forward を持つ pre-norm ブロック 2 段、最終 norm と出力射影) を学習し、そこからサンプリングします。パラメータは約 106k、GOEXPERIMENT=simd で 1 分ほど学習すれば、コーパスの文をそのまま再現するようになります。モデル全体が n 次元自動微分エンジンで書かれています: 活性は (batch, sequence, model) のテンソル、ヘッド分割は Reshape と Transpose、各ステップのバッファは Tape が再利用します。フラグは -iters, -lr, -temp, -n, -seed、それに形を変える -model, -heads, -blocks, -batch, -seq。

-gpu (wgpu ビルド時) はブロック全体をデバイスで学習します。値も勾配も Adam の更新もデバイスに留まり、毎ステップ帰ってくるのは損失だけです。速くなるかは形次第で、既定のサイズではテンソルが小さすぎて GPU が埋まらず AVX2 カーネルが勝ち、モデルを広げるとクロスオーバーします。AMD 780M では既定サイズで 24ms/step に対し -gpu が 72ms/step、-model 256 -heads 8 -batch 16 -seq 64 では 282ms に対し 129ms でした。損失はどちらでも桁まで一致します。

plasma

デモシーン風のプラズマをターミナルにアニメーションします。プラズマ関数はランダムに重み付けされたネットワーク (CPPN) で、毎フレーム全ピクセルを 1 バッチとして評価します。ステータス行にフレームあたりのネットワーク時間が出ます: ポータブルで約 32 fps、GOEXPERIMENT=simd で約 100 fps。-seed を変えると違う模様になります。

wgpu

アダプタを表示し、GPU の結果を CPU カーネルと照合し、-sweep で行列サイズの階段を上りながら GPU が CPU を追い越す地点に印を付けます — GPU (WebGPU) 参照。