100 PIXELS. 8 SKJULTE NEURONER. 3 SVAR.
Se netværket tænke.
Tegn et mønster. Følg tallene hele vejen fra pixel til forslag.
Sådan virker én neuron
En neuron lægger vægtede input sammen: z = Σ(w·a) + b. Funktionen tanh presser summen ind mellem −1 og +1. “Fyrer” betyder her en talværdi, ikke en biologisk elektrisk impuls.
Træning ændrer vægte og bias gennem eksempler og fejl. Når du tegner, er de indlærte tal faste; kun aktiveringerne ændrer sig. Skjulte neuroner er lærte numeriske mønstre, ikke på forhånd navngivne kantdetektorer.
01 / Tegn et billede
Sort = 1 · hvid = 0. Træk for at male. Tab og mellemrum skifter en pixel.
Modellens forslag
Softmax-scores er modeltal, ikke kalibrerede sandsynligheder. “Ved ikke” er en trænet restklasse. Den kan også tage fejl.
02 / Følg signalet
Alle 100 input vises til venstre i samme rækkefølge som tegningen. Vælg en neuron for dens indgående forbindelser.
+ Grøn · − Rød · nul: ingen streg. Tykkelse = |værdi|, 0,35 + min(4, |værdi|) px. Samme skala ved hver tegning.
Alle indgående forbindelser · vælg en række
| Kilde | Vægt w | Aktivering a | Bidrag w·a |
|---|
Vælg en forbindelse i tabellen for dens regnestykke.
03 / Hvad har den lært?
Trænet på syntetiske kvadrater (også roterede som romber) og ligesidede trekanter: varierende position, størrelse og rotation, både kontur og udfyldt. Restklassen indeholder tomme billeder, støj, linjer og cirkellignende konturer. Det grove gitter, otte skjulte neuroner og få figurtyper begrænser genkendelsen af frie tegninger. Ufuldstændige figurer har ingen særskilt træningsdækning.
Ingen separat afvisningstærskel: højeste score bliver forslaget. Holdout er andre rasterbilleder med en anden seed; ingen holdout-rastere er brugt til træning. Resultatet måler denne syntetiske verden, ikke alle menneskers tegninger.
Fra dette netværk til LLM'er · kilder og teknik
Begge lærer mange numeriske vægte fra data. Dette er et lille feedforward-billednetværk. LLM'er arbejder med tokens og typisk transformere med attention og mange lag; denne app er ikke en miniature-LLM.
Google: neuroner og skjulte lag · Attention Is All You Need (originalartikel)
HTML, CSS og JavaScript. Inferens sker lokalt uden netværk eller lagring. Reproducer træningen med node apps/se-netvaerket-taenke/train.mjs. Alle 835 parametre (824 vægte + 11 bias) er gemt i weights.js og i downloadudgaven.