Hebbian 记忆示例

本章覆盖 examples/brain_inspired/ 中的 Hopfield 网络示例，重点展示如何利用 HebbianTrainer 统一训练与预测流程，以及常见的数据预处理技巧。

hopfield_train.py

• 路径：examples/brain_inspired/hopfield_train.py

• 场景：从 skimage 自带图像生成训练模式，使用 Hebb 学习存储，再用噪声图像测试恢复能力。

• 关键步骤：

  1. 调用 preprocess_image 将彩色/灰度图转换为 128×128 二值向量，并映射到 {-1,+1}。

  2. 初始化 :class:`AmariHopfieldNetwork <src.canns.models.brain_inspired.hopfield.AmariHopfieldNetwork>`（同步更新、sign 激活）。

  3. 创建 HebbianTrainer(model) 并执行 trainer.train(data_list)。

  4. 使用 trainer.predict_batch 对随机翻转 30% 像素后的样本进行恢复。

  5. 通过 Matplotlib 排列“训练图/输入/输出”三列，可保存为 discrete_hopfield_train.png。

• 扩展：

  • 将 asyn=True 切换为异步更新，观察收敛差异。

  • 使用 normalize_by_patterns=False 比较是否保留模式间的幅值差异。

hopfield_train_mnist.py

• 路径：examples/brain_inspired/hopfield_train_mnist.py

• 场景：加载 MNIST（或其 fallback 数据集）的小批样本，演示如何选择代表性模式并执行 Hebb 学习。

• 关键步骤：

  1. _load_mnist() 会按顺序尝试 HuggingFace datasets、TorchVision、Keras、scikit-learn，确保在离线环境也可运行。

  2. 选择 0–9 的少量样本作为训练模式，利用 _threshold_to_pm1 转换为 {-1,+1}。

  3. 初始化 Hopfield 网络并执行 trainer.train(patterns)。

  4. 对干净的测试样本调用 trainer.predict，验证记忆检索。

  5. 通过 plt.subplots 将 Train/Input/Output 绘制到单页图像。

• 扩展：

  • 准备噪声版本的测试图像，评估重建鲁棒性。

  • 使用 trainer.configure_progress(show_iteration_progress=True) 查看预测时的能量变化。

自定义方向

• 想要接入自定义模型，仅需遵循 BrainInspiredModel 的接口（暴露 W、s、update()、energy 即可）。

• 若要组合调参，可在脚本最上方调整 AmariHopfieldNetwork 的 activation、temperature 等参数，并观察对能量收敛速度的影响。