DigiSim Museum

Laboratorio de Neuronas

Abrir simulador
Una red totalmente conectada real aprendiendo a leer dígitos. Cada esfera es una neurona, cada línea es un peso. Haz clic en cualquier esfera para abrirla y ver su suma exacta; una línea brilla cuando activación anterior × su peso es grande.
∇-check pendiente…
época
0
muestras vistas
0
pérdida entrenamiento
precisión test
parámetros
estado
inactivo
velocidad
lr η
lote
hacia adelante · señal de activación
excitatorio (+ peso)
inhibitorio (− peso)
hacia atrás · gradiente de error
pulso de gradiente →
líneas = el modelo (pesos)
esferas = activaciones (por entrada)
mostrar cables
arrastrar orbitar · scroll zoom · clic en esfera abrir
Durante el entrenamiento: conocido vs aprendido
INPUTvalores CONOCIDOS — los píxeles que introducimos
HIDDEN 1pesos DESCONOCIDOS — significado autodidacta · sin objetivo
HIDDEN 2pesos DESCONOCIDOS — significado autodidacta · sin objetivo
OUTPUTsignificado + objetivo CONOCIDOS · pesos DESCONOCIDOS
Cada cable es un peso = DESCONOCIDO; el entrenamiento resuelve los en total. Diseñamos las capas, tamaños, activaciones & pérdida; obtenemos los pesos entrenados. Las capas ocultas no tienen clave de respuesta — solo la culpa enviada desde la salida.

Dentro de la neurona · la suma exacta

— elige una —

¿Por qué brilla una línea? · el mecanismo

Cada cable lleva un número: la activación de la neurona anterior multiplicada por el peso de este cable (ai · wij). Un cable brilla cuando ese producto es grande — porque la neurona fuente se activa con fuerza, o el peso es grande, o ambos. Cálido = empuja el objetivo hacia arriba, frío = lo jala hacia abajo. Abre una neurona y pasa el cursor por sus barras para iluminar el cable exacto.

Supervisión · lo que se da

explorando
la imagen siempre conocida
respuesta:
predicción de la red:
pérdida: (cuánto se equivoca)
corrección enviada hacia atrás
Cada imagen de entrenamiento llega emparejada con su respuesta correcta; la red ajusta sus pesos hacia ella. En exploración / prueba la respuesta se oculta — la red debe producirla sola.

Salida · las 10 neuronas de respuesta (softmax)

Las 10 neuronas de la última capa compiten; softmax convierte sus puntuaciones en probabilidades que suman 1.

Explorar & dibujar · introduce un dígito

Envía un dígito limpio o pinta uno (16×16 es el tamaño de entrada real de la red). El gráfico completo se vuelve a activar al instante.

Red real, datos sustitutos de MNIST. La escritura a mano real usa MNIST (28×28, 60k muestras humanas). Para mantener el gráfico legible y cada peso visible, las entradas aquí son dígitos de 16×16 generados proceduralmente con desplazamientos/rotaciones/ruido aleatorios (eso es el aumento de datos), entrenados de extremo a extremo de verdad. Arquitectura 256 → 16 → 12 → 10 (ReLU, softmax + entropía cruzada, SGD con momento). El distintivo ∇-check confirma la retropropagación numéricamente. Una red totalmente conectada es el tipo más transparente — no el más preciso; las redes convolucionales funcionan mejor en imágenes reales.
Arrastra para orbitar · haz clic en una neurona para abrirla · desplaza para hacer zoom