Hopfield networkでやれること

複数の画像をモデルに埋め込むことができる。

例

1. モデルに複数枚の画像を学習させる

覚えさせる画像１：「lena.jpg」　↓

2. 学習済みモデルを使って、ノイズありの覚えさせた画像から、元々のノイズなしの画像を復元

ノイズあり画像１（lena.jpgにノイズを加えた後）：「noise_lena.jpg」　↓

ノイズあり画像１（noise_lena.jpg）から復元した画像：「restored_noise_woman.jpg」　↓

ニューロン間に対照的な相互作用があるニューラルネットワークである。

例として、２ x ２の画像を想定する。
各ピクセルがニューロンとなり、ニューロン間には自分以外のニューロンとの間に学習した重みwを設定する。

（※参考1）

(例では、閾値θ=0でも想起できた。)

Hopfield network の学習から想起（復元）までのアルゴリズムは、(とりあえず)以上です。

めちゃくちゃシンプルです。

ここで、エネルギー関数 E を考える。

エネルギーのイメージ図です。 ↓
谷に落ちると、画像がうまく復元できる。（できない場合もある。 -> 局所解）

（※参考2）

Hopfield network は局所最適解に落ちやすい。
よって、この問題を改良したのがボルツマンマシン