Dmitry
3.5 KiB
Как работает приложение
Запуск
bundle install
ruby app.rb # веб-интерфейс на http://localhost:4567
# или
ruby main.rb # только CLI: загружает паттерны, обучает, выводит инфо
В Docker: собирается образ, generate_excel.rb генерирует patterns.xlsx при старте, Sinatra слушает на 4567.
Данные
Паттерны хранятся в patterns.xlsx. Каждый лист = один символ (T, H, E, X...).
Ячейка x → 1, остальное → -1. Размер: 8×8 = вектор из 64 значений.
loader.rb читает Excel через гем roo и возвращает {name => matrix_8x8}.
В вычислениях матрицы разворачиваются в векторы через flatten.
Если хочешь добавить/изменить паттерны — правь generate_excel.rb и перезапусти.
Веб-интерфейс
Одна страница (views/index.erb), тёмная тема, 8×8 кликабельная сетка ввода.
Что можно сделать:
- Нарисовать паттерн кликами (или добавить шум кнопкой)
- Нажать «Распознать» — сервер прогоняет через обе сети
- Включить «Пошаговый режим» — видно, как Хопфилд сходится шаг за шагом
- Включить «Показывать формулы» — рядом с анимацией появляются LaTeX-формулы вычислений
Маршруты (app.rb)
| Маршрут | Что делает |
|---|---|
GET / |
Загружает паттерны, отдаёт HTML |
POST /recall |
Быстро: вектор → итоговый результат обеих сетей |
POST /recall_steps |
То же + все промежуточные состояния для анимации |
POST /recall_trace |
То же + net-значения, сколько нейронов изменилось на каждом шаге, трассировка MAXNET |
Все POST принимают JSON {vector: [...64 числа...]}, возвращают JSON.
Алгоритмы
Хопфилд (hopfield.rb)
Обучение — один раз при запуске:
W[i][j] += v[i] * v[j] для каждого паттерна v, i ≠ j
Матрица весов 64×64, кэшируется в weights.cache.
Recall — итерации до сходимости:
new[i] = sign( Σ_j W[i][j] * x[j] ) # sign: ≥0 → 1, <0 → -1
Все нейроны обновляются синхронно. Стоп: состояние не изменилось (EPS=0.01) или 200 итераций.
Хэмминг (hamming.rb)
Шаг 1 — слой Хэмминга (один раз):
output[k] = (dot(pattern_k, input) + 64) / 2
Результат: число от 0 до 64 — сколько бит совпало с k-м эталоном.
Шаг 2 — MAXNET (итерации до одного победителя):
new[i] = max(output[i] - eps * Σ_{j≠i} output[j], 0) # eps = 0.9 / кол-во паттернов
Нейроны конкурируют: слабые гаснут, остаётся один. Его индекс = ближайший паттерн.