Playground AI

Eksperymentuj z algorytmami AI bezpośrednio w przeglądarce.

Krajobraz strat

Krajobraz strat (loss landscape) to wizualna reprezentacja funkcji, którą sieć neuronowa minimalizuje podczas treningu. Kształt tego krajobrazu — z dolinami, grzbietami i punktami siodłowymi — decyduje o tym, jak trudno jest znaleźć optymalne wagi. Różne optymalizatory (SGD, Momentum, Adam) stosują odmienne strategie nawigacji po tym krajobrazie, co prowadzi do różnych trajektorii i wyników.

Czego się nauczysz

  • Czym różnią się optymalizatory SGD, Momentum i Adam
  • Jak kształt krajobrazu strat wpływa na trudność treningu
  • Dlaczego Adam jest domyślnym optymalizatorem w praktyce
  • Jak learning rate wpływa na trajektorię każdego optymalizatora

Jak korzystać z wizualizacji

Porównanie trzech optymalizatorów (SGD, Momentum, Adam) na powierzchni funkcji straty. Wszystkie startują z tego samego punktu i podążają za gradientem, ale różnymi strategiami. Wybierz funkcję (Miska, Rosenbrock, Rastrigin, Beale), ustaw learning rate i obserwuj jak każdy algorytm znajduje minimum.

Ładowanie wizualizacji...

Poznaj teorię

Wizualizacja to świetny start, ale pełne zrozumienie wymaga teorii. Przeczytaj artykuł w bazie wiedzy, żeby dowiedzieć się jak to naprawdę działa pod maską.

Przeczytaj artykuł →