class Cactus {
  constructor() {}
}
class Dino {
  constructor() {}
}

...
onTick(cb = () => { }) {
  cb(this);
}
...

switch (this.state) {
  case DinoStateEnum.run: break;
  case DinoStateEnum.jump: {
    this.currH += this.jumpSpeed;
    if (this.currH == this.maxH) {
      this.state = DinoStateEnum.fall;
    }
    break;
  }
  case DinoStateEnum.fall: {
    this.currH -= this.jumpSpeed;
    if (this.currH == 0) {
      this.state = DinoStateEnum.run;
    }
    break;
  }
}

function updateCactuses() {
  const copy = cactuses.slice();
  for (let i = 0; i < copy.length; i++) {
    let c = copy[i];
    c.onTick(cactus => {
      drawCactus(cactus)
      cactus.currDistance -= dinoVelocitySlider.value();
      if (cactus.currDistance + cactusW < initialDinoW && !cactus.passDinoPosition) {
        updateDinoScore()
        cactus.passDinoPosition = true;
      }
      if (cactus.currDistance < 0) {
        cactuses.splice(i, 1);
      }
    })
  }
}

<script
  src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.0.0/dist/tf.min.js">
</script>
<script>
  tf.setBackend('cpu') // tf глобальная переменная
</script>

createModel() {
  const model = tf.sequential();
  const hiddenLayer = tf.layers.dense({
    units: this.hidden_nodes, // кол-во нейронов в скрытом слое (8)
    inputShape: [this.input_nodes], // кол-во нейронов во входном слое (4)
    activation: "sigmoid" // функция активации
  });
  model.add(hiddenLayer);
  const outputLayer = tf.layers.dense({
    units: this.output_nodes, // кол-во нейронов в выходном слое (2)
    activation: "sigmoid"
  });
  model.add(outputLayer);
  return model;
}

predict(inputs) {
  return tf.tidy(() => {
    const xs = tf.tensor([inputs]); // создание тензора из массива (входной слой)
    const ys = this.model.predict(xs); // предсказание сети
    const output = ys.dataSync(); // превращение тензора в массив
    return output;
  });
}

function drawDino(dino) {
  if (dino.isDead) return;
  if (dino.state != DinoStateEnum.run) {
    // если дино прыгает, то рисуем его на текущей высоте
    image(dino2, initialDinoW, initialDinoH - dino.currH, dinoW, dinoH); // р5 специальный метод добавления изображения на канвас
  } else if (iteration % 7 == 0)
    // иначе имитируем бег и перебирание ножками
    image(dino1, initialDinoW, initialDinoH, dinoW, dinoH);
  else
    image(dino2, initialDinoW, initialDinoH, dinoW, dinoH);
}

function updateGenerationIfNeeded() {
  if (dinos.every(d => d.isDead)) {
    cactuses = [];
    dinoVelocitySlider.value(initDinoVelocity);
    dinos = newGeneration(dinos)
  }
}

mutate(rate) {
  tf.tidy(() => {
    const weights = this.model.getWeights(); // берем веса модели
    const mutatedWeights = [];
    for (let i = 0; i < weights.length; i++) {
      let tensor = weights[i]; // каждый вес - это тензор
      let shape = weights[i].shape;
      let values = tensor.dataSync().slice();
      for (let j = 0; j < values.length; j++) {
        if (Math.random() < rate) { // мутируем если нам повезло
          let w = values[j];
          values[j] = w + this.gaussianRandom(); // рандомное нормальное изменение в интервале от -1 до 1
        }
      }
      let newTensor = tf.tensor(values, shape);
      mutatedWeights[i] = newTensor;
    }
    this.model.setWeights(mutatedWeights); // ставим мутировавшие веса
  });
}

const calculateFitness = (dinos) => {
  let sum = 0;
  dinos.map(d => sum += d.score)
  dinos.map(d => d.fitness = d.score / sum)
}

const pickOne = (dinos) => { // на входе дино отсортированные по убыванию fitness
  let index = 0;
  let r = Math.random();
  while (r > 0) {
    r = r - dinos[index].fitness;
    index++;
  }
  index--;
  let dino = dinos[index] // берем дино где-то из начала списка, как повезет с rate
  const dinoBrain = dino.brain.copy();
  dinoBrain.mutate(0.2) // делаем мутировавшую копию
  let newDino = new Dino(dinoBrain) // дино для нового поколения
  return newDino;
}

for (let i = 0; i < TOTAL; i++) {
  newDinos.push(pickOne(oldDinos));
}
console.log(currentGeneration++);
return newDinos;