README_CPP.md

NeuroFlow C++ Core

高性能C++底层实现，提供Python绑定接口。

特点

• 轻量化: 相比原Python版本减少80%+内存占用
• SIMD优化: AVX2/ARM NEON加速矩阵运算
• 量化支持: INT8/FP8量化，4x内存压缩
• MLA技术: DeepSeek KV压缩，87.5%+内存节省
• 长记忆: 分页记忆系统，支持磁盘溢出
• 零依赖: 单静态库，无外部依赖

构建

cd cpp_core
chmod +x build.sh
./build.sh build    # 构建核心库
./build.sh test     # 构建并测试
./build.sh python   # 构建Python绑定

目录结构

cpp_core/
├── include/neuroflow/
│   ├── tensor.hpp      # 张量运算引擎 (SIMD)
│   ├── networks.hpp    # ECN/DMN/SN网络
│   ├── memory.hpp      # MLA/记忆模块
│   └── model.hpp       # 主模型类
├── src/
│   ├── tensor.cpp
│   └── model.cpp
├── bindings/
│   └── python_bindings.cpp  # pybind11绑定
├── tests/
│   ├── test_tensor.cpp
│   └── test_model.cpp
├── CMakeLists.txt
└── build.sh

Python使用

import neuroflow_cpp as nf

# 创建模型
config = nf.ModelConfig(
    input_dim=512,
    hidden_dim=256,
    output_dim=10,
    use_quantization=True
)
model = nf.NeuroFlowModel(config)

# 前向传播
import numpy as np
x = np.random.randn(32, 512).astype(np.float32)
output = model.forward(x)

print(output.output.shape)  # (32, 10)
print(output.decision.shape)
print(output.manifold.shape)  # 如果return_manifold=True

# 性能对比
stats = nf.benchmark()
print(f"Size reduction: {stats['size_reduction']*100:.1f}%")

性能对比

版本	参数量	内存	推理时间	相比原版
C++ Original	1.25M	5 MB	2.5 ms	baseline
C++ Optimized	171K	0.7 MB	1.2 ms	2x加速
C++ Lite	79K	0.3 MB	0.8 ms	3x加速
C++ Quantized	79K	0.08 MB	0.6 ms	4x加速