– stan neuronów w kroku – stan neuronu obliczany w kroku – waga połączenia między neuronem a neuronem – liczba neuronów w sieci – funkcja znakowa:
Punkt 2. powtarza się iteracyjnie tak długo, aż sieć ustabilizuje się, tj. nie zmieniają się stany jej neuronów. Stan ustabilizowany sieci powinien odpowiadać rozpoznanemu wzorcowi.
Uwaga: Synchronizacja: neurony można aktualizować asynchronicznie (po jednym na raz) lub synchronizacyjnie (wszystkie naraz).
Właściwości sieci Hopfielda Sieć Hopfielda o neuronach potrafi "zapamiętać" i odtworzyć poprawnie wzorców. Np. dla sieć może odtworzyć wzorców.
Przykładowe obliczenia
Poniżej podano kod programu w Python, który: a). zapisuje wzorce dwóch liter L i T b). oblicza macierz wag sieci Hopfielda metodą Hebba c). oblicza zaburzenia losowe liter wzorcowych d). podaje zaburzone litery jako stany wejściowe do sieci Hopfielda - sieć w kolejnych sekwencjach obliczeń odtwarza wzorcowe litery (por. animacje).
W linii 54 kodu można wybrać, którą literę, zaburzoną szumem, daje się na wejście sieci Hopfielda.