Data
Punkter deles i træning og test.
pyNN
Neurale netværk
Se modellen lære · fra vægt til PyTorch
LABORATORIUM · DATA · LAG · LÆRING
Se hvert lag forme en beslutning
Vælg data, features og arkitektur. Træn et rigtigt lille neuralt netværk i browseren, følg vægtene og beslutningsfladen, og åbn derefter den tilsvarende PyTorch-kode.
Din missionFind den mindste model, der kan lære mønsteret. Sammenlign trænings-loss og test-loss, og forklar hvornår flere neuroner hjælper — og hvornår de blot overfitter.
Forward
Features bevæger sig gennem vægte og bias.
Loss
Fejlen måler afstanden til det ønskede svar.
Backprop
Gradienter justerer forbindelserne baglæns.
Cirkel · binær klassifikation
Træn på 70% · test på 30%Output og beslutningsflade
hold musen over et punktNetværket
klik på neuron eller vægtEpoke
0
træningsrunder
Train loss
–
BCE loss
Test loss
–
generalisation
Accuracy
–
testdata
Parametre
0
vægte + bias
Features
2
inputværdier
Netværk
2→4→2→1
neuroner pr. lag
Learning rate
0.03
skridtlængde
Hvad sker der?
Et inputpunkt omdannes til features. Hver neuron beregner en vægtet sum plus bias og sender resultatet gennem sigmoid. Backpropagation finder derefter, hvordan hver vægt påvirkede fejlen.
positiv værdi/vægtnegativ værdi/vægtvalgt element
Loss gennem træningen
Blå viser træningsdata; orange viser data, modellen ikke træner på.
Samme netværk i PyTorch
JavaScript træner visualiseringen lokalt. Koden nedenfor bygger den samme arkitektur, features og træningsopsætning i PyTorch.
Undersøgelsesopgaver
Ændr én ting ad gangen, forudsig først og forklar bagefter.
Brug kun x og y. Kan netværket lære den krumme grænse?
Tilføj x² og y². Hvordan ændrer loss og beslutningsfladen sig?
Sammenlign sigmoid, tanh og ReLU med samme seed.
Find den mindste arkitektur, der løser XOR.
Tilføj støj og mange neuroner. Hvornår skilles train- og test-loss?
Prøv 0.001, 0.03 og 1. Hvornår lærer modellen for langsomt eller ustabilt?
Sammenlign ingen regularisering, L1 og L2.
Find hver browserindstilling i den genererede Python-kode.