REDE NEURAL REAL
Os números percorrem a rede
Época 0
Peso positivo Peso negativoEspessura = magnitude
Uma amostra das conexões reais; clique em um neurônio para inspecioná-lo.
DA PRIMEIRA TENTATIVA AO APRENDIZADO
Veja uma rede neural aprender.
Quatro formas. Milhares de conexões. Um aprendizado que você pode acompanhar.
01 Imagem→02 Números→03 Rede neural→04 Previsão→05 Erro→06 Ajuste dos pesos↺
Ensine por repetição
Uma época percorre todos os exemplos de treinamento.
Os pesos foram inicializados aleatoriamente. A rede ainda não foi treinada.
O erro está diminuindo?
Treino ValidaçãoPerda média após cada época; oscilações são possíveis.
Os acertos estão aumentando?
Treino ValidaçãoAcurácia = acertos ÷ quantidade de imagens. Não é o mesmo que confiança.
ANTES, DURANTE E DEPOIS
Viaje pelo aprendizado
Compare a mesma imagem com pesos reais de momentos diferentes. Este controle não desfaz o treinamento.
Ficha técnica e inspeção do modelo
UMA IDEIA POR VEZ
Entenda o caminho inteiro.
Um roteiro interativo que acompanha a rede de verdade.
O APRENDIZADO COMEÇA NOS DADOS
Exemplos, não respostas mágicas.
Veja os exemplos rotulados e reserve dados inéditos para a avaliação final.
Biblioteca de exemplos
Clique em uma amostra para examinar o rótulo. Alterar rótulos é permitido apenas no treino e reinicia os pesos para manter a experiência consistente.
Onde a rede se confunde?
Linhas: classe de referência. Colunas: previsão. A diagonal reúne os acertos.
AVALIAÇÃO FINAL
Uma prova com imagens reservadas
O teste final não é usado nas atualizações nem exibido durante o treinamento. Faça as escolhas usando a validação; só depois consulte esta prova.
Ainda não consultado.
Consultar e ajustar repetidamente a partir do teste compromete sua independência. Para outra investigação, gere um novo experimento.
O que os resultados permitem concluir?
DA TEORIA PARA A SUA MÃO
Desenhe. Teste. Questione.
Uma nova imagem, os mesmos pesos. Na inferência, a rede não se treina sozinha.
Sua prancheta
Faça um único contorno grande e fechado. O sistema recorta, centraliza e converte seu desenho em 256 números. Desenhos à mão podem diferir das figuras sintéticas.
RESULTADO DA INFERÊNCIA
Comece por uma forma
Esta é a entrada efetiva da rede, já normalizada.
Não há uma classe “desconhecido”: qualquer imagem não vazia será distribuída entre as quatro classes. Isso não a torna uma figura válida.
Aprender com este desenho?
Nesta versão, desenhar apenas consulta o modelo. Seu desenho não é incluído automaticamente no treinamento.
EXERCÍCIO OPCIONAL
Você e a rede, nas mesmas 10 figuras
Compare classificações sem tratar este pequeno exercício como medida geral de inteligência.
MUDE UMA CONDIÇÃO. OBSERVE O EFEITO.
O laboratório é seu.
Experimentos preparados, resultados calculados. Nenhuma curva é pré-programada.
Cada experimento prepara uma nova rede e novos dados conforme as condições descritas. As tendências são hipóteses: o resultado concreto depende da semente e das escolhas.
Comparação de experiências
Guarde resultados antes de trocar de cenário. Compare condições equivalentes; mudar o número de exemplos também muda a incerteza da avaliação.
TRANSPARÊNCIA, NÃO UMA CAIXA-PRETA
Por dentro de cada cálculo.
Congele uma imagem, acompanhe as operações e inspecione números reais.
Depurador educacional
Cópia independenteO depurador usa uma cópia dos pesos e da imagem de observação. A atualização didática de um exemplo não modifica o treinamento principal.
EXPLORE UM NEURÔNIO
Uma soma ponderada, seguida de ReLU
Bancada isolada com três entradas. Os controles abaixo não alteram a rede principal.
O que significam peso, bias e ativação?
Cada entrada é multiplicada por seu peso. O bias desloca a soma. ReLU deixa passar valores positivos e devolve zero nos demais casos. Peso negativo reduz esta soma para uma entrada positiva; não significa que a conexão é “ruim”.
SOFTMAX, SEM MÁGICA
Das pontuações à distribuição
Ver fórmula numericamente estável
m = max(z)
pᵢ = exp(zᵢ − m) / Σⱼ exp(zⱼ − m)
pᵢ = exp(zᵢ − m) / Σⱼ exp(zⱼ − m)
Subtrair o maior logit preserva as proporções e ajuda a evitar estouros na exponencial.
UMA ANALOGIA MATEMÁTICA
Passos em direção a um erro menor
Exemplo independente: L(w) = w². Não é a paisagem real dos milhares de parâmetros da rede.