Предназначен для изучения принципов работы многослойного персептрона (MLP). Тренажёр позволяет пользователям визуализировать архитектуру нейронной сети, экспериментировать с ее обучением, включая метод обратного распространения ошибки и ручную настройку параметров, а также тестировать сеть на классических задачах вроде операции XOR и распознавания символов.

Приложение содержит следующий функционал:

Образовательный
Предоставляет интуитивно понятную и визуальную среду для изучения базовых концепций искусственных нейронных сетей, в частности, многослойных персептронов.

Демонстрационный
Наглядно показывает процесс обучения сети, влияние параметров (весов, смещений, функций активации) на ее выход и поведение.

Экспериментальный
Даёт возможность пользователям проводить собственные эксперименты: обучать сеть на данных, вручную корректировать ее параметры и наблюдать результаты в режиме реального времени.

Практический
Предоставляет конкретные примеры задач (XOR, распознавание символов) для проверки понимания и демонстрации возможностей MLP.

Возможности приложения:

Визуализация сети
Отображение нейронной сети в виде слоев прямоугольных нейронов, соединенных линиями, представляющими синаптические связи (веса).

Конфигурация сети

• • Возможность задавать количество слоев и количество нейронов в каждом слое.
  • Ручное управление параметрами:
    • Установка значений весов синаптических связей между нейронами.
    • Настройка значений смещения (bias) для нейронов скрытых и выходного слоев.
    • Выбор функции активации (например, Sigmoid, Tanh, ReLU, Linear) для нейронов.
  • Обучение сети:
    • Автоматическое обучение:** Реализация алгоритма обратного распространения ошибки (Backpropagation) для обучения сети на предоставленных обучающих данных.
    • Контроль обучения:** Возможность запуска/остановки обучения, настройки скорости обучения (learning rate), количества эпох.
  • Тестирование сети:
    • Подача входных данных на входной слой сети.
    • Наблюдение за распространением сигнала через слои и активацией нейронов в реальном времени.
    • Визуализация выходных значений сети.

Встроенные примеры задач

• • • Логическая операция XOR: Демонстрация способности MLP решать не линейно разделимые задачи.
    • Распознавание символов: Пример задачи классификации (например, распознавание цифр или букв на небольшой сетке пикселей).

Перечень визуальных элементов

Слои нейронов
Вертикальные группы прямоугольников, представляющие входной, скрытые и выходной слои сети.

Нейроны
Прямоугольные элементы внутри слоев, визуально отражающие свое текущее состояние (например, уровень активации через цвет или размер).

Синаптические связи
Линии (часто разной толщины и/или цвета), соединяющие нейроны соседних слоев.
Толщина/цвет обычно кодируют величину и знак веса связи.

Индикаторы значений
Отображение числовых значений весов связей, смещений (bias) и выходов нейронов (обычно при наведении курсора или в отдельной панели).

Панели управления
Элементы интерфейса для

• • • Выбора/настройки архитектуры сети (число слоев/нейронов).
    • Выбора функции активации.
    • Запуска/остановки процесса обучения.
    • Настройки параметров обучения (скорость, эпохи).
    • Выбора встроенного примера задачи (XOR, символы).
    • Ручного ввода тестовых данных.

Области ввода/вывода
Специфичные для выбранного примера (например, сетка пикселей для ввода символа, поля для ввода бинарных значений для XOR, область отображения распознанного символа или результата операции).

Минимальные системные требования

• • Операционная система Windows 7 SP1+ (64-bit), macOS 10.12+, Ubuntu 16.04+/CentOS 7+ (64-bit), AstraLinux
  • Процессор: Intel Core i3-3210 / AMD A8-7600 APU или эквивалент
  • Оперативная память (RAM): 4 ГБ
  • Видеокарта: Графика с поддержкой DirectX 10 (Shader Model 4.0) или OpenGL 3.2+, минимум 1 ГБ видеопамяти (например, NVIDIA GeForce GT 610, AMD Radeon HD 7450, Intel HD Graphics 4000)
  • Место на диске: 1 ГБ
  • Дополнительно: .NET Framework 4.6 / Mono, разрешение экрана не менее 1280×720 пикселей.