# Отчёт: размер колонки, Fashion-MNIST и визуализатор

Oct 13, 2026

Колонки из 20 нейронов уже дают максимум: 40 нейронов точнее не делают. На Fashion-MNIST сеть упирается примерно в 55%. Причина та же, что у самых частых ошибок на цифрах: сеть не замечает, чего на картинке не хватает. Сделано приложение, где работу сети видно по шагам.

## Размер колонки (MNIST, обучение 30 000 картинок)

Настройки как в лучшем варианте прошлого отчёта: `KNP_COL_JITTER=20`, `KNP_MNIST_THR=60`, `KNP_MNIST_ADD_THR_SCALE=0`, `KNP_MNIST_INFER_INHIB=255`. Тест — 10 000 картинок, результаты из KNP.

| Нейронов в колонке | seed 42 | seed 1 | В среднем |
| --- | --- | --- | --- |
| 5 | 88,7% | 89,4% | 89,0% |
| 10 | 89,5% | 88,9% | 89,2% |
| 20 | 92,3% | 91,5% | **91,9%** |
| 40 | 92,1% | 91,7% | **91,9%** |
| 80 | считается | считается | |

Не досчитались к концу дня: размер 80 на 30 000 картинок и размеры 40 и 80 на полном MNIST (папки `~/run/exp/sz*`). Если WSL закрывался, их нужно запустить заново.

## Fashion-MNIST

Это фотографии одежды того же формата 28×28, 10 классов. Цифры ниже — валидация (обучающие картинки 50 000–59 999), порог подобран в симуляторе.

| Обучение | Исходная сеть | Колонки |
| --- | --- | --- |
| 3 000 | 57,6% | 55,0% |
| 30 000 | 40,5% | 55,3% |

- Классы «пальто» (4) и «рубашка» (6) не получают ни одного ответа, почти всё забирает «пуловер» (2).
- Даже при пороге 5 около трети картинок остаётся без ответа: сумма весов нужной колонки на них отрицательная.
- Исходная сеть от длинного обучения деградирует, колонки держатся.

## Главная слабость сети

Спайки шлют только закрашенные пиксели, пустой пиксель молчит. Нейрон не получает сигнала «здесь должна быть линия, а её нет», поэтому выигрывает колонка с более широкой фигурой. Самые частые ошибки на тесте MNIST подтверждают это:

| Верно → ответ | Раз из 10 000 |
| --- | --- |
| 4 → 9 | 63 |
| 7 → 9 | 57 |
| 9 → 4 | 31 |
| 8 → 9 | 30 |
| 3 → 9 | 25 |

Вторая слабость — чувствительность к толщине линии. Если утолщить цифры теста на 1 пиксель, точность колонок падает с 90% до 67%, на 2 пикселя — до 8%.

## Что не помогло (проверено в симуляторе)

| Идея | Результат |
| --- | --- |
| Точнее квантовать веса (сейчас фактически от −6 до +2) | без изменений: 3 бит на вес хватает |
| Порог каждого нейрона пропорционален сумме его положительных весов | без изменений |

## Визуализатор

- Страница: https://claude.ai/artifact/6Ze9kBxeu5bxWW5zLh1Qro (закреплена в боковой панели claude.ai), локальная копия — `C:\knp\viz\altai_viz.html`.
- Показывает спайки растра по шагам, заряд всех входных нейронов, голоса колонок, карты весов и таблицу ошибок. Можно нарисовать свою цифру.
- Исходники в `C:\knp\viz` (git): `altai_sim.py` — симулятор (с KNP расходится на 0,1%), `export_data.py` — сборка страницы, `app.html` — шаблон.
- Запуск симулятора: `~/anvenv/bin/python /mnt/c/knp/viz/altai_sim.py <папка прогона> <images.bin> <labels.target> --inhib 255 --thr 40,60`.

## Следующие шаги

- [ ] ON/OFF-кодирование: добавить 784 входа, которые спайкают на пустых пикселях. Это должно бить по ошибкам 4→9, 7→9 и по «пуловеру».
- [ ] Досчитать размер 80 и полный MNIST для размеров 40 и 80.
- [ ] В приложении показывать, почему сеть ответила так: трафарет победителя рядом с картинкой.
- [ ] Сообщить разработчикам KNP об ошибке в `ModelLoader::init_channels`.
- [ ] Для статьи: сравнение с опубликованными спайковыми сетями с локальным обучением.