# Быстрая гибридная MNIST IF-сеть

Сайт: http://10.9.8.230:8080/fast_viz.html

Архитектура: 784 токовых значения пикселей → 256 integer integrate-and-fire нейронов, 128 шагов со сбросом вычитанием порога → линейный выход по взвешенным числам спайков, 10 классов. Состояния сбрасываются на каждом изображении. Это гибридная браузерная симуляция; KNP/физический AltAI пока не проверены, CUDA не используется.

Обучение: NumPy Adam MLP с clipped ReLU и surrogate gradient через квантование активности; не STDP. Train 55 000, validation 5000 из официального train (seed20261015); официальный test10 000 отделён. Выбор checkpoint и числа шагов только по validation. Нормализация bbox20+центр массы, train-аугментации сдвига±2px и толщины.

Итог: 9830/10000 = 98.30% на том же test, где штатная KNP-сеть дала9223/10000. Это сравнение точности разных моделей, не ускорение KNP. Test2534 из скрина:3→3; пример не использован при обучении/выборе.

Исходники обучения здесь. Runtime `/home/user/run/mnist-fast` содержит splits, weights, metrics, source fingerprints и audit artifacts. Веб-исходники `../viz/fast_viz.html`, `fast-model.js`; обученные параметры `fast-model.json`, тестовая галерея `fast-gallery.json`.

Повтор (сначала сохранить готовые runtime-файлы, поскольку будут перезаписаны):
```bash
OPENBLAS_NUM_THREADS=8 OMP_NUM_THREADS=8 /home/user/anvenv/bin/python /home/user/KNP/mnist-fast/train_fast.py
```
Скрипт ожидает проверенные MNIST данные `/home/user/run/mnist-native-20261015/MNIST.bin` и `MNIST.target`. Нужны numpy и pillow (обучение использует numpy; pillow окружения не требуется алгоритму). Веб-модель копируется изruntime/model.json вручную после проверки. `make_parity.py` строит Python references; `browser_check.py` запускается на машине с Chromium/websocket-client и пишет в `/tmp/mnist-fast-work` (это проверочный инструмент, не веб-сервис).

Подробный отчёт: `../reports/2026-10-15/Отчёт_MNIST_fast.md`.