DigiSim

ZIFFER/ LAB

Läuft auf Ihrem Gerät
DE
EIN INTERAKTIVES MACHINE-LEARNING-LABOR

Erlebe, wie Lernen funktioniert.

Beginne mit deiner Handschrift. Folge den Zahlen. Trainiere ein echtes neuronales Netz.

UNTRAINIERTCheckpoint 0
02IM INNEREN DES NETZWERKS
784 → 32 → 16 → 10
Checkpoint 0 · eingefroren
Ziehen zum Drehen·Umschalt+Ziehen zum Schwenken·Scrollen / Zusammendrücken zum Zoomen
Volumetrische Geometrie wird vorbereitet…
3D-RAUMVerborgene Neuronen belegen Breite, Höheund Tiefe. Der Abstand ändert nur die Ansicht, niemals das Modell. Das Eingabebild bleibt korrekt eine 2D-Ebene.
Pixel: 0 → 1ReLU-AktivierungVorzeichenbehafteter Ausgabewert
Wähle ein Neuron aus, um dessen eingehende Verbindungen zu untersuchen. Alle 25.760 Verbindungen fließen in die Berechnung ein.
03EINEM BEISPIEL FOLGEN
BEGINNE MIT EINER FRAGE

Kann es deine Handschrift schon lesen?

Das Netzwerk startet mit zufälligen Gewichten, nicht mit Wissen über Ziffern. Zeichne eine Ziffer oder wähle ein Beispiel und verfolge dann die Zahlen hinter seiner Vorhersage.

Die Inferenz liest die Gewichte nur aus. Nur ein expliziter Trainingsschritt ändert sie.
MACHE EINEN FEHLER. ÄNDERE EIN GEWICHT. VERSUCHE ES ERNEUT.

Lernen ist eine messbare Veränderung.

0abgeschlossene Epochen
0Beispiele verarbeitet
0SGD-Aktualisierungen
—Mittlerer Verlust des letzten Mini-Batches
—Validierungsgenauigkeit
Kreuzentropie-VerlustNiedriger ist besser
Genauigkeit auf gelabelten BeispielenHöher ist besser
TrainingValidierung · jeder Punkt bewertet den gesamten angegebenen Split an einem festen Prüfpunkt.
Jeden Diagrammpunkt und seine Stichprobengröße untersuchen

Jede Zeile bewertet die gesamte angegebene Teilmenge an einem festen Prüfpunkt. Der Verlust ist das arithmetische Mittel über diese Beispiele; die Genauigkeit ist 'richtig / n'. Eine Änderung der Trainingsdatenmenge ändert die Stichprobengröße der Trainingskurve, wie unten gezeigt. Die Validierung verwendet immer denselben zurückgehaltenen Datensatz.

Versuchen Sie ein Experiment: Führen größere Lernschritte zu schnellerem Lernen?

Zurücksetzen, mit η = 0,07 trainieren und die Validierungskurve untersuchen. Auf den identischen Ausgangsprüfpunkt zurücksetzen und mit η = 2,0 wiederholen. Vergleichen Sie die gemessenen Ergebnisse; eine Verbesserung ist nicht garantiert. Um Auswendiglernen (Overfitting) zu untersuchen, verwenden Sie weniger Trainingsbeispiele und vergleichen Sie die Trainingsleistung mit der Validierung. Reservieren Sie den Test-Split für Ihre abschließende Bewertung.

ZIFFERN / LABOR/Pixel → Vorhersagen → Fehler → Lernen.Echte Daten. Echte Gradienten. Vollständig in Ihrem Browser.
IHR ERSTES EXPERIMENT

Trainieren Sie es. Fordern Sie es dann heraus.

Zeichnen Sie eine Ziffer oder klicken Sie auf ein gelabeltes Beispiel. Das Netzwerk hat anfangs zufällige Gewichte, sodass eine überzeugend wirkende Vorhersage dennoch falsch sein kann.

1. Einer Vorhersage folgen

Nutzen SieVorhersage schrittweise durchlaufen. Sehen Sie, wie aus 784 Pixelwerten 32 Aktivierungen werden, dann 16, und schließlich zehn Scores und Wahrscheinlichkeiten. Wählen Sie eine beliebige Kugel aus oder verwenden Sie die Layer-/Index-Steuerelemente, um jeden eingehenden Term zu untersuchen.

2. Einem Trainingsschritt folgen

Wählen Sie ein Trainingsbeispiel oder lassen Sie Ihre Zeichnung erkennen und geben Sie die beabsichtigte Ziffer an. Nutzen SieDieses Beispiel trainierenund bewegen Sie sich durch Verlust, Ausgabe-Gradienten, Hidden-Gradienten und die vorgeschlagene Aktualisierung. NurSGD-Aktualisierung anwendenändert die Gewichte.

3. Mit mehr Handschriften trainieren

Nutzen SieEchtes Training starten. Ein Mini-Batch fasst die Gradienten mehrerer gelabelter Beispiele zusammen. Halten Sie an einer Batch-Grenze an, um einen unveränderlichen Schnappschuss zu untersuchen. Der Aktualisierungs-Inspektor zeigt den tatsächlichen Batch-Mittelwert-Gradienten, nicht den Gradienten des angezeigten Beispiels.

4. Etwas Neues testen

Auf dem Test-Split evaluieren; Konfusionsmatrix und Fehlklassifikationen untersuchen. Versuchen Sie es anschließend mit einer eigenen Zeichnung. Handschrift auf der Zeichenfläche kann sich erheblich von diesem kleinen Trainingsdatensatz unterscheiden; selbst eine hohe Wahrscheinlichkeit kann falsch sein.

Daten und Datenschutz

Die enthaltenen Daten stammen aus UCI Optical Digits, nicht MNIST: 1.797 echte 8×8-Beispiele, normalisiert auf 28×28-Eingabeebenen. Der optionale MNIST-Importer lädt offizielle IDX-Archive von den verifizierten CVDF-Kopien des Museums herunter. Zeichnungen und Berechnungen verbleiben in diesem Browser. Schließen/Aktualisieren setzt das Labor zurück; exportieren Sie Gewichte oder Messwerte, um sie zu sichern.

Kamera und Barrierefreiheit

Ziehen zum Drehen; Umschalt-Ziehen oder Rechtsklick-Ziehen zum Verschieben; Scrollen oder Auf-/Zuziehen zum Zoomen. Fokussieren Sie die Szene und nutzen Sie Pfeiltasten, +/− sowie Pos1. Alle Neuronen können auch ohne die 3D-Ansicht ausgewählt werden. Didaktische Animationen können pausiert werden und berücksichtigen Einstellungen für reduzierte Bewegung.