our_knp/Отчёт_размер_колонки_и_одежда.md

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.