实验教程

从零开始，亲手实践 NCT 的强大功能

快速开始

环境准备

安装必要的依赖包

pip install torch numpy scipy matplotlib

选择实验

根据兴趣和需求选择教程

cd experiments

运行脚本

执行 Python 脚本开始实验

python <script_name>.py

查看结果

分析输出和可视化图表

# 结果保存在 results/ 目录

实验列表

初级

MNIST Few-Shot 学习

⏱️ 15 分钟📄 exp_mnist_few_shot.py

使用 NCT 进行少样本图像分类，理解基本工作流程

数据加载配置设置训练循环评估指标

中级

CIFAR-10 完整训练

⏱️ 45 分钟📄 run_cifar10_full.py

在 CIFAR-10 数据集上训练 NCT，掌握超参数调优

数据增强学习率调度模型保存可视化

中级

时序异常检测

⏱️ 30 分钟📄 run_anomaly_detection.py

使用时间序列数据进行异常检测，理解预测编码机制

预测编码自由能计算阈值设定性能评估

高级

猫识别实战

⏱️ 60 分钟📄 run_cat_recognition.py

实际应用场景：从图像中识别猫，多模态融合示例

跨模态融合特征提取迁移学习部署优化

高级

Φ值计算实验

⏱️ 25 分钟📄 test_multi_candidate.py

测量和分析不同配置下的整合信息Φ值

Φ计算器信息整合分割分析统计验证

高级

神经调质门控实验

⏱️ 35 分钟📄 run_optimized_training_v3.py

探索多巴胺、5-HT 等神经调质对学习的影响

神经调质门控机制时序关联强化学习

实验结果展示

📊

MNIST 训练曲线

准确率随训练步数提升

实际图表将在 Phase 2 添加

📊

Φ值变化图

不同维度下的整合信息量

实际图表将在 Phase 2 添加

📊

注意力热图

8 头注意力的功能分工

实际图表将在 Phase 2 添加

📊

自由能下降

预测误差最小化过程

实际图表将在 Phase 2 添加

准备好开始实验了吗？

下载源代码，立即动手实践

GitHub 下载代码 API 参考文档