DigiSim

화이트박스 — 숨길 것이 없는 신경망

머신러닝 · 1986년경

KO
화이트박스 — 숨길 것이 없는 신경망

전시 준비 중…

조작

훈련 세트

1 = 세로획이 있음 · 0 = 없음

작동 원리
  1. 과제: 왼쪽 레일을 보세요. 4×4의 작은 그림들입니다. 어떤 그림은 세로획을 담고 있고(클래스 1), 어떤 그림은 그렇지 않습니다(클래스 0). 이 작은 신경망이 그 둘을 구별하는 법을 배울 것입니다.
  2. 각 그림은 픽셀 하나당 숫자 하나씩, 총 16개의 숫자가 됩니다 — 바로 입력층입니다. 밝은 구슬 = 밝은 픽셀. 신경망이 보는 것은 오직 숫자뿐입니다.
  3. 연결선 자체가 지식입니다. 파란색 = 양의 가중치, 주황색 = 음의 가중치, 두께 = 강도. 지금은 모두 무작위입니다 — 신경망은 아직 아무것도 모릅니다.
  4. 순전파를 지켜보세요: 각 은닉 뉴런은 모든 픽셀에 자신의 가중치를 곱해 더합니다 — 오른쪽 영수증 패널에 모든 곱셈이 표시됩니다. 그다음 ReLU: 합이 음수이면 그 뉴런은 조용히 있습니다.
  5. 두 개의 출력 점수는 softmax를 거쳐 확률이 됩니다. 정답과 비교해 보세요 — 그 차이가 바로 손실입니다. 우리가 얼마나 틀렸는지를 나타내는 숫자 하나입니다.
  6. 역전파는 연쇄 법칙을 적용해 손실을 각 가중치와 편향에 대해 미분한 값을 계산합니다. 기울기는 국소적인 민감도일 뿐, 오차에 대한 인과적 책임의 몫이 아닙니다.
  7. 업데이트: 모든 가중치가 자신의 기울기에 맞서 내리막으로 한 걸음씩 나아갑니다. 연결선의 두께가 바뀌는 것을 지켜보세요 — 신경망이 방금 아주 조금 배운 것입니다.
  8. 훈련 실행은 전체 데이터셋에 대해 이 과정을 계속 반복합니다. 손실 곡선이 내려가고 가중치 히트맵이 정돈되는 것을 지켜보세요 — 산수만으로 세로획 탐지기가 만들어집니다.
인스펙터
실행 상태
모드—카드—클래스—계산 단계—가중치 업데이트—에포크—마지막 에포크 손실—
  • 양의 가중치
  • 음의 가중치
두께 = 강도