Neural Mcp

io.github.andylbrummer由 GitHub 账号 andylbrummer 发布v0.1.6更新于 Oct 24, 2026

GPU-accelerated MCP server for neural network training, deep learning, and model experimentation

已验证STDIO仅桌面数据与分析AI 与机器学习

概览

AI 生成的概览

本地 MCP 服务器，让助手构建、训练、评估并导出神经网络模型，可选 CUDA 加速。

可以做什么
  • 定义自定义架构或加载 ResNet、MobileNet 预训练模型，查看逐层摘要并导出为 ONNX 或 TorchScript
  • 加载 MNIST、CIFAR-10、ImageNet 等标准数据集并创建分批数据加载器
  • 以可配置的学习率和批大小运行训练循环，监控实验状态并在测试集上评估
  • 计算指标、生成混淆矩阵、绘制训练曲线并可视化预测结果
  • 执行自动化超参数搜索
适用场景
适合希望由助手在本机驱动深度学习实验的场景：快速搭建模型原型、在标准数据集上训练、迁移学习、评估与超参数搜索，无需自己编写 PyTorch 底层代码。
运行要求
以本地 stdio 进程运行，可通过 uvx 启动或用 pip 安装 scicomp-neural-mcp 包，依赖 Python 与 PyTorch。GPU 加速需通过环境变量 MCP_USE_GPU 开启。仅限桌面端；未声明认证或 API 密钥。
安装前请注意
训练与超参数调优是耗时长、计算密集的任务，可能长时间占用本机 CPU 或 GPU。数据集与预训练权重会从 torchvision 或 Hugging Face 下载，导出模型时会写入磁盘。不要求任何凭据。

安装

在 SourceWeft 中

  1. 打开 控制台中的 Neural Mcp，将其添加到工作区。
  2. 为需要使用其工具的对话启用该服务。

Desktop only，通过 STDIO。 STDIO 服务会启动本地进程，因此需要 SourceWeft 桌面宿主。

其他 MCP 客户端

参照 仓库 中的启动说明。

README

scicomp-neural-mcp

mcp-name: io.github.andylbrummer/neural-mcp

MCP server for neural network training and experimentation.

Overview

This server provides tools for building, training, and analyzing neural networks:

  • Model building - Pre-trained models (ResNet, MobileNet) and custom architectures
  • Dataset loading - CIFAR-10, MNIST, ImageNet datasets with standard preprocessing
  • Training - Full training loops with configurable learning rates and batch sizes
  • Evaluation - Model evaluation, metrics computation, and analysis
  • Hyperparameter tuning - Automated hyperparameter search
  • Export - Export models to ONNX and TorchScript formats
  • GPU acceleration - Optional CUDA acceleration for training

Installation & Usage

bash
# Run directly with uvx (no installation required)uvx scicomp-neural-mcp
# Or install with pippip install scicomp-neural-mcp
# With GPU support (recommended for training)pip install scicomp-neural-mcp[gpu]
# Run as commandscicomp-neural-mcp

Available Tools

Model Management

  • define_model - Create neural network models (ResNet18, MobileNet, custom)
  • load_pretrained - Load pretrained models from torchvision or Hugging Face
  • get_model_summary - Get detailed layer-by-layer breakdown
  • export_model - Export to ONNX or TorchScript

Data Loading

  • load_dataset - Load standard datasets (CIFAR-10, MNIST, ImageNet)
  • create_dataloader - Create batched dataloaders with shuffling

Training

  • train_model - Train model on dataset with configurable parameters
  • get_experiment_status - Monitor training progress
  • evaluate_model - Evaluate on test set

Analysis

  • compute_metrics - Compute detailed performance metrics
  • confusion_matrix - Generate confusion matrices
  • plot_training_curves - Visualize loss and accuracy curves
  • visualize_predictions - Inspect model predictions on samples

Hyperparameter Optimization

  • tune_hyperparameters - Automated hyperparameter search

Configuration

Enable GPU acceleration with environment variable:

bash
MCP_USE_GPU=1 scicomp-neural-mcp

Examples

📖 Code Examples

Practical tutorials in EXAMPLES.md:

  • MNIST digit recognition (complete workflow)
  • Transfer learning with ResNet
  • Hyperparameter optimization
  • Confusion matrix analysis
  • Progressive learning path (beginner → advanced)

📚 Full Documentation

See the API documentation for complete API reference.

Part of Math-Physics-ML MCP System

Part of a comprehensive system for scientific computing. See the documentation for the complete ecosystem.

来源：servers/neural-mcp/README.md，提交 798e264

工具

0
SourceWeft 尚未在沙箱中启动过该软件包，因此其工具未知。

版本历史

1
  1. v0.1.6最新Sep 16, 2026

评分

已满足适用检查项的 50%

该评分衡量此收录条目的完整程度，依据注册中心条目、端点与公开来源计算得出。它不是对服务器本身的评价，也不表示服务器安全或当前可用：可连通性是带日期的检查结果，评分也不包含安装量或用户评价。

  • 近 30 天内可连通25 分

    请保持端点能够响应 MCP 握手；SourceWeft 每 30 天探测一次。

  • 已声明认证方式10 分

    请在注册中心条目中声明凭据请求头，或保持端点能够响应探测，以便判定其认证方式。

  • 已列出工具15 分

    请让服务器在无凭据时响应 tools/list，或发布可在沙箱中无凭据启动的软件包。

  • 描述必需15 分
  • 图标10 分
  • 文档15 分
  • 许可证10 分