3D 공간은닉 뉴런은 너비, 높이및 깊이를 차지합니다. 간격 조정은 화면 표시만 변경하며 모델 자체는 변경하지 않습니다. 입력 이미지는 원래대로 2D 평면을 유지합니다.
픽셀: 0 → 1ReLU 활성화 함수부호 있는 출력 점수
뉴런을 선택하여 입력 연결을 확인하세요. 연산에는 총 25,760개의 모든 연결이 사용됩니다.
03예제 하나 살펴보기
질문으로 시작하기
손글씨를 인식할 수 있을까요?
신경망은 숫자에 대한 지식이 아닌 무작위 가중치로 시작합니다. 숫자를 그리거나 예제를 선택한 뒤, 예측 과정의 수치 변화를 살펴보세요.
추론은 가중치를 읽기만 합니다. 명시적인 학습 작업을 수행해야만 가중치가 변경됩니다.
틀리고, 가중치를 바꾸고, 다시 시도하세요.
학습은 측정 가능한 변화입니다.
0완료된 에포크
0처리된 예제 수
0SGD 업데이트
—마지막 미니배치 평균 손실
—검증 정확도
교차 엔트로피 손실낮을수록 좋음
라벨링된 예제에 대한 정확도높을수록 좋음
훈련검증 · 각 지점은 고정된 체크포인트에서 지정된 전체 분할 데이터를 평가합니다.
모든 차트 지점 및 샘플 수 검사
각 행은 하나의 고정된 체크포인트에서 지정된 전체 하위 집합을 평가합니다. 손실은 해당 예제들의 산술 평균이며, 정확도는 정답 수 / n입니다. 훈련 데이터 양을 변경하면 아래에 표시된 훈련 곡선의 샘플 수가 변경됩니다. 검증은 항상 동일한 홀드아웃(held-out) 세트를 사용합니다.
실험해 보세요: 학습 단계(학습률)가 더 크면 더 빨리 학습할까요?
초기화하고 η = 0.07로 훈련한 뒤 검증 곡선을 살펴보세요. 동일한 초기 체크포인트로 재설정한 후 η = 2.0으로 반복해 보세요. 측정된 결과를 비교해 보세요. 성능 개선이 보장되지는 않습니다. 단순 암기(오버피팅) 현상을 살펴보려면 훈련 예제 수를 줄이고 훈련 성능을 검증 성능과 비교해 보세요. 테스트 분할은 최종 평가를 위해 남겨두세요.
훈련하지 않은 예제에서도 잘 작동하나요?
초기 시드 체크포인트와 현재 체크포인트는 완전히 동일한 예제에서 평가됩니다. 테스트 세트를 반복해서 확인하면 선택에 영향을 미칠 수 있으므로, 실험 중에는 검증 세트를 사용하세요.
이전 · 원본 체크포인트 0——
→
이후 · 현재 체크포인트——
어디서 혼동하고 있나요?
행 = 실제 숫자. 열 = 예측된 숫자. 각 셀은 예제 수를 나타냅니다. 셀을 선택하면 해당 예제를 확인할 수 있습니다.
오류 살펴보기
임의로 만들어지거나 미리 로드된 테스트 결과는 없습니다. 현재 네트워크를 평가하여 측정된 성능을 확인하세요.
UCI Optical Digits · 오프라인
MNIST는 선택 사항이며 인터넷 연결이 필요합니다. 데이터셋을 전환하면 모델과 모든 측정값이 초기화됩니다.
이 계산은 단순 시뮬레이션이 아닙니다.
25,818개의 훈련 가능한 파라미터 · 시드 기반 무작위 초기화 · ReLU 은닉층 · 안정적인 소프트맥스/교차 엔트로피 · 평균 그래디언트 미니배치 SGD.
훈련: Web Worker(CPU) 내 JavaScript Float64. 렌더링: 네이티브 WebGL / 소프트웨어 3D 지원 여부 확인 중. 숨겨진 네트워크나 사전 훈련된 가중치는 없습니다.
출처, 귀속, 전처리 및 제한 사항
이번 호 전시물
구독자는 모든 새 전시물을 공개 당일에 열 수 있습니다. 무료 DigiSim 계정은 {memberDate}부터, 계정이 없으면 {anonymousDate}에 열립니다.
