2.7 KiB
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):
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.