Реализация сети Хопфилда на Python, сеть не сходится к одному из изученных шаблонов.

Я пытаюсь реализовать сеть Хопфилда на Python, используя библиотеку NumPy. В сети 2500 узлов (50 высота x 50 ширина). Сеть обучается 10 шаблонам из изображений размером 50×50, хранящимся в папке “patterns”. Изображения представляют собой цифры от 0 до 9. Изображения преобразуются в двумерный массив, уплощаются до одномерного (2500×1) и обучаются.

После изучения шаблонов сети дается номер изображения (из которого я удалил несколько пикселей), чтобы сопоставить его с сохраненными шаблонами. Но проблема, с которой я сталкиваюсь, заключается в том, что он не сходится к одному из сохраненных шаблонов, а выводит что-то вроде случайного:

Даже если я попытаюсь ввести точный шаблон из тех, которые он уже выучил, он все равно не сходится к этому шаблону.

Вот код моей попытки реализовать сеть Хопфилда.

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import image
from os import listdir
import random
from os.path import isfile, join

# Параметры сети Хопфилда
input_width = 50
input_height = 50
number_of_nodes = input_width * input_height
learning_rate = 1

# Инициализация массива входов в -1 и массива весов в 0
input = np.zeros((number_of_nodes))
input[True] = -1
weights = np.zeros((number_of_nodes,number_of_nodes))

#*******************************
# Основные функции сети Хопфилда
#********************************
# Случайно активируем узлы, пока общий выход не изменится
# сопоставляем шаблон, сохраненный в сети Хопфилда.
def calculate_output(input, weights):
    changed = True
    while changed:
        indices = list(range(len(input)))
        random.shuffle(indices)
        new_input = np.zeros((number_of_nodes))

        clamped_input = input.clip(min=0) # исключаем узлы с отрицательным значением, не работает в любом случае
        for i in indices:
            sum = np.dot(weights[i], clamped_input)
            new_input[i] = 1 if sum >= 0 else -1
            changed = not np.allclose(input[i], new_input[i], atol=1e-3)
        input = np.array(new_input)

    return np.array(input)

# активация(W x I) = вывод
# сопоставляем шаблон, сохраненный в сети Хопфилда.
def calculate_output_2(input, weights):
    output = np.dot(weights,input)
    # применяем пороговое значение
    output[output >= 0] = 1 # зеленый на изображении
    output[output < 0] = -1 # пурпурный на изображении
    return output

# Сохраняем шаблоны в сети Хопфилда
def learn(input, weights):
    I = np.identity(number_of_nodes) # диагональ всегда будет равна 1, если вход только 1/-1
    updates = learning_rate * np.outer(input,input) - I
    updates = updates/number_of_nodes
    weights[:] = weights + updates

#*******************************
# Прочие функции
#*******************************
# отображаем массив и показываем на экране
def show_array(arr):
    data = arr.reshape((-1, input_width))
    plt.imshow(data) # построение графика по столбцам
    plt.show()

# обучаем шаблонам (изображениям), размещенным в папке "patterns" (изображения чисел 0-9)
def learn_numbers():
    for f in listdir("patterns/"):
        file = join("patterns/", f)
        if isfile(file):
            print(file)
            im = image.imread(file)
            grey = im[:,:,0] # преобразование в двумерный массив из трехканального RGB изображения
            grey = np.where(grey==1,-1,1) # преобразование белого пикселя в -1, а черного в 1
            learn(grey.flatten(), weights) # преобразование двумерного изображения в одномерный массив (2500) и сохранение в весах

# читаем тестовое изображение и сопоставляем ближайший шаблон
def calculate_img_output(weights, image_address):
    # отображаем тестируемое изображение
    im = image.imread(image_address)
    grey = im[:,:,0] # преобразование в двумерный массив из трехканального RGB изображения
    grey = np.where(grey==1,-1,1) # преобразование белого пикселя в -1, а черного в 1
    plt.imshow(grey) # построение графика по столбцам
    plt.show()

    # получаем шаблон с использованием случайной активации
    output = calculate_output(grey.flatten(), weights)
    # отображаем шаблон
    show_array(output)

    # получаем шаблон
    output = calculate_output_2(grey.flatten(), weights)
    # отображаем шаблон
    show_array(output)

#****************************    
# Тестирование кода
#*****************************

# обучаем шаблоны изображения числами от 0-9
learn_numbers()
# пытаемся сопоставить частичный шаблон
calculate_img_output(weights, "partial/p.png")

Любая помощь в объяснении, почему сеть ведет себя таким образом и что можно сделать для исправления, будет очень полезной.

Проблема в том, что скорость обучения установлена слишком высокой. Минимальная допустимая скорость обучения для вашего кода составляет 0.00057 (по крайней мере, на моем устройстве). Любая скорость обучения выше этого значения не позволит сети сойтись. Я не вносил никаких других изменений в ваш код. Установив скорость обучения 0.00057 или ниже, сеть начинает сходиться.