Za pomocą sieci złożonej z 9 neuronów rozpoznajemy obrazek złożony z 9 pikseli. Czarny piksel jest reprezentowany jako 1 natomiast biały jako -1. W ten sposób otrzymaliśmy 9-cioelementowy wektor testowy. Za pomocą reguły Hebb’a „nauczyliśmy” sieć 3 kształtów, z których 2 przypominają kółko i krzyżyk:
a jako trzeci wektor wzorcowy podaliśmy same -1, co odpowiada pustemu kwadratowi.
X(1)=[1,1,1,1,-1,1,1,1,1]
X(2)=[1,-1,1,-1,1,-1,1,-1,1]
X(3)=[-1,-1,-1,-1,-1,-1,-1,-1,-1]
np. w12= w21= [1*1+1*(-1)+(-1)*(-1)]/9=1/9=0.111111
.
.
.
Kompletną macierz wag przedstawia tabela:
Na rysunku zawartym w symulacji pokazano wartości wejściowe wektora testowego (w kolejnym kroku, po przepisaniu na wyjścia neuronów są one zerowane), wyjścia sumatora wag, wartości wyjściowe, oraz wartości wyjściowe z poprzedniego kroku obliczeń (wartości kwadratów umieszczonych w kolumnie).
Okazuje się, że gdy na wejście sieci podamy wektor identyczny z wzorcem, wówczas sieć nie zmieni swojego stanu, rozpoznaje ona również obrazy „niewiele” różniące się od wzorców. W niektórych przypadkach pojawia się kolejna cecha sieci Hopfielda - pamiętanie zależności pomiędzy sąsiednimi pikselami, a nie ich wartości. Wtedy otrzymujemy obraz wzorca z odwróconymi kolorami.