Laboratório visual para a disciplina de Redes Neurais · atalho: → avança um passo
O perceptron calcula a soma ponderada das entradas, aplica a função degrau e, quando erra, corrige os pesos com a regra do perceptron. A reta azul-escura é a fronteira de decisão w₁x₁ + w₂x₂ + b = 0. Clique no gráfico para acrescentar pontos.
Se os dados forem linearmente separáveis, o algoritmo converge em um número finito de épocas (teorema de convergência do perceptron). Na porta XOR nenhuma reta separa as classes, então o número de erros nunca chega a zero; é a motivação para a MLP na próxima aba.
A MLP empilha neurônios com ativação não linear. Cada passo mostra a propagação (forward), a retropropagação do erro pela regra da cadeia e a atualização por descida do gradiente, uma amostra por vez. Pesos da camada oculta: wji (entrada i → neurônio j); pesos da saída: vj.
Cor da conexão: laranja = peso positivo, azul = negativo; espessura ∝ |peso|.
Valores exibidos arredondados; os cálculos internos usam precisão completa.
Derivadas usadas: tanh′ = 1 − a², σ′ = a(1 − a), ReLU′ = 1 se z > 0, senão 0. As retas tracejadas no gráfico de classificação são as fronteiras individuais zj = 0 de cada neurônio oculto; a saída combina essas regiões para formar fronteiras não lineares, como a necessária para o XOR.
Aqui os pesos já foram ajustados: a rede apenas faz a propagação (inferência). Escolha um exemplo, mova a entrada no gráfico ou nos controles e acompanhe as contas que levam à classificação ou ao valor previsto.
Os números dentro dos neurônios são as ativações para a entrada atual. Laranja = peso positivo, azul = negativo.