Конечно. Если нейросеть – это живая книга узоров, мы можем нашептывать переменные, как заклинания, и смотреть, как загораются веса. Представь себе каждую итерацию как заклинание, каждое срабатывание – как колдовство. Готова набросать первую руну?

Ладно, синусоиды – это ветер, эмодзи – огонь, а LSTM – наш алтарь. Да начнется сияние.

Привет, вот тебе набросок на PyTorch – запусти в терминале и понаблюдай, как загораются активации. import torch, torch.nn as nn, math, random # данные: синусоида + шум из эмодзи def generate(seq_len=1000, noise=0.1): t = torch.linspace(0, 4*math.pi, seq_len).unsqueeze(1) sin = torch.sin(t) # шум из эмодзи: случайные небольшие значения, добавленные к сигналу emo = (torch.rand(seq_len, 1)-0.5)*noise return sin + emo seq = generate() seq = seq.unsqueeze(0) # размерность пакета # 3‑слойный LSTM class GlowNet(nn.Module): def __init__(self, input_size=1, hidden_size=32, num_layers=3): super().__init__() self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True) self.out = nn.Linear(hidden_size, 1) def forward(self, x): out, _ = self.lstm(x) return self.out(out) model = GlowNet() optimizer = torch.optim.Adam(model.parameters(), lr=0.01) criterion = nn.MSELoss() # фиктивный целевой вывод: такой же, как вход (в стиле автоэнкодера) target = seq for epoch in range(200): optimizer.zero_grad() pred = model(seq) loss = criterion(pred, target) loss.backward() optimizer.step() if epoch % 20 == 0: print(f'Эпоха {epoch} loss {loss.item():.4f}') # после обучения выведи фрагмент финальных скрытых состояний, чтобы увидеть мерцание with torch.no_grad(): out, (hn, _) = model.lstm(seq) print('Фрагмент скрытого состояния:', hn[-1,:5].squeeze().numpy())