DigiSim

CHIFFRE/ LABO

S'exécute sur votre appareil
FR
UN LABORATOIRE INTERACTIF D'APPRENTISSAGE AUTOMATIQUE

Découvrez comment on apprend.

Commencez par votre écriture manuscrite. Suivez les chiffres. Entraînez un véritable réseau de neurones.

NON ENTRAÎNÉPoint de contrôle 0
02À L'INTÉRIEUR DU RÉSEAU
784 → 32 → 16 → 10
Point de contrôle 0 · figé
Faites glisser pour tourner·Maj + glisser pour déplacer·Faites défiler / pincez pour zoomer
Préparation de la géométrie volumétrique…
ESPACE 3DLes neurones cachés occupent la largeur, la hauteuret la profondeur. L'espacement modifie la vue, jamais le modèle. L'image d'entrée reste correctement un plan 2D.
Pixels : 0 → 1Activation ReLUScore de sortie signé
Sélectionnez un neurone pour inspecter ses connexions entrantes. Les 25 760 connexions sont utilisées dans le calcul.
03SUIVRE UN EXEMPLE
COMMENCEZ PAR UNE QUESTION

Peut-il déjà lire votre écriture manuscrite ?

Le réseau commence avec des poids aléatoires, sans aucune connaissance des chiffres. Dessinez un chiffre ou sélectionnez un exemple, puis suivez les nombres derrière sa prédiction.

L'inférence lit les poids. Seule une action explicite d'entraînement les modifie.
FAITES UNE ERREUR. MODIFIEZ UN POIDS. RÉESSAYEZ.

L'apprentissage est un changement mesurable.

0époques terminées
0exemples traités
0Mises à jour SGD
—perte moyenne du dernier mini-lot
—précision de validation
Perte d'entropie croiséePlus bas est le mieux
Précision sur les exemples étiquetésPlus haut est le mieux
EntraînementValidation · chaque point évalue l'ensemble de la partition indiquée à un point de contrôle fixe.
Inspecter chaque point du graphique et son nombre d'échantillons

Chaque ligne évalue la totalité du sous-ensemble indiqué à un point de contrôle fixe. La perte est la moyenne arithmétique sur ces exemples ; la précision est correct / n. Modifier la quantité de données d'entraînement change le nombre d'échantillons de la courbe d'entraînement, indiqué ci-dessous. La validation utilise toujours le même ensemble réservé.

Tentez une expérience : de plus grands pas d'apprentissage apprennent-ils plus vite ?

Réinitialisez, entraînez à η = 0,07 et inspectez la courbe de validation. Réinitialisez au point de contrôle initial identique et recommencez à η = 2,0. Comparez les résultats mesurés ; aucune amélioration n'est garantie. Pour explorer la mémorisation, utilisez moins d'exemples d'entraînement et comparez les performances d'entraînement à celles de validation. Réservez la partition de test pour votre évaluation finale.

LABORATOIRE / CHIFFRES/Pixels → prédictions → erreurs → apprentissage.Données réelles. Gradients réels. Entièrement dans votre navigateur.
VOTRE PREMIÈRE EXPÉRIENCE

Enseignez-lui. Puis mettez-le au défi.

Dessinez un chiffre ou cliquez sur un exemple étiqueté. Le réseau a initialement des poids aléatoires, donc une prédiction d'apparence convaincante peut être fausse.

1. Suivre une prédiction

UtiliserPas à pas de la prédiction. Observez 784 valeurs de pixels devenir 32 activations, puis 16, puis dix scores et probabilités. Sélectionnez n'importe quelle sphère ou utilisez les commandes de couche/indice pour inspecter chaque terme entrant.

2. Suivre une étape d'entraînement

Choisissez un exemple d'entraînement, ou reconnaissez votre dessin et fournissez son chiffre visé. UtilisezEnseigner cet exempleet progressez à travers la perte, les gradients de sortie, les gradients cachés et la mise à jour proposée. SeulAppliquer la mise à jour SGDmodifie les poids.

3. S'entraîner sur plus d'écritures manuscrites

UtiliserDémarrer l'entraînement réel. Un mini-lot combine les gradients de plusieurs exemples étiquetés. Mettez en pause à la limite d'un lot pour inspecter un instantané immuable. L'inspecteur de mise à jour montre le gradient moyen réel du lot, et non le gradient de l'échantillon affiché.

4. Tester quelque chose de nouveau

Évaluez sur le jeu de test ; inspectez la matrice de confusion et les erreurs. Essayez ensuite votre propre tracé. L'écriture manuscrite sur le canevas peut différer sensiblement de ce petit jeu d'entraînement ; même une probabilité élevée peut être erronée.

Données et confidentialité

Les données intégrées proviennent d'UCI Optical Digits, et non de MNIST : 1 797 exemples réels en 8×8 normalisés en plans d'entrée de 28×28. L'importateur optionnel de MNIST télécharge les archives IDX officielles depuis les copies vérifiées du CVDF par le Musée. Les tracés et les calculs restent dans ce navigateur. Fermer/recharger réinitialise le labo ; exportez les poids ou les mesures pour les conserver.

Caméra et accessibilité

Faites glisser pour tourner ; Maj+glisser ou clic droit pour déplacer ; faites défiler ou pincez pour zoomer. Donnez le focus à la scène et utilisez les touches fléchées, +/− et Début. Tous les neurones peuvent être sélectionnés sans la vue 3D. La lecture pédagogique peut être mise en pause et respecte les préférences de réduction des mouvements.