Red neuronal visual
Simulación de una red neuronal feedforward. Los nodos representan neuronas y las conexiones son sinapsis con pulsos de activación en vivo.
0
Neuronas
0
Sinapsis
Cada pulso representa una activación viajando a través de la red. Ajusta los controles para modificar la arquitectura.
Cómo funciona
Redes neuronales artificiales
Neuronas
Cada círculo es una neurona artificial. Recibe señales de entrada, las procesa con una función de activación y transmite el resultado a la siguiente capa. Tienen pesos sinápticos que se ajustan durante el entrenamiento.
Sinapsis
Las líneas entre neuronas representan conexiones sinápticas con pesos asociados. Los pulsos verdes que viajan por ellas muestran la propagación hacia adelante (forward pass) de la activación.
Capas
La red tiene una capa de entrada, una o más capas ocultas, y una capa de salida. Cada capa oculta extrae características progresivamente más abstractas de los datos de entrada.
Propagación
El forward pass propaga la señal desde la entrada a la salida. En un modelo entrenado, la red ajusta sus pesos mediante backpropagation para minimizar el error entre la salida predicha y la esperada.
Dato: Esta demo simula el forward pass de una red feedforward densamente conectada. En producción, las redes como GPT-4 tienen cientos de miles de millones de parámetros y arquitecturas mucho más complejas con atención, transformadores y capas convolucionales.