Описание

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.