Предназначен для изучения принципов работы многослойного персептрона (MLP). Тренажёр позволяет пользователям визуализировать архитектуру нейронной сети, экспериментировать с ее обучением, включая метод обратного распространения ошибки и ручную настройку параметров, а также тестировать сеть на классических задачах вроде операции XOR и распознавания символов.
Приложение содержит следующий функционал:
Образовательный
Предоставляет интуитивно понятную и визуальную среду для изучения базовых концепций искусственных нейронных сетей, в частности, многослойных персептронов.
Демонстрационный
Наглядно показывает процесс обучения сети, влияние параметров (весов, смещений, функций активации) на ее выход и поведение.
Экспериментальный
Даёт возможность пользователям проводить собственные эксперименты: обучать сеть на данных, вручную корректировать ее параметры и наблюдать результаты в режиме реального времени.
Практический
Предоставляет конкретные примеры задач (XOR, распознавание символов) для проверки понимания и демонстрации возможностей MLP.
Возможности приложения:
Визуализация сети
Отображение нейронной сети в виде слоев прямоугольных нейронов, соединенных линиями, представляющими синаптические связи (веса).
Конфигурация сети
- Возможность задавать количество слоев и количество нейронов в каждом слое.
- Ручное управление параметрами:
- Установка значений весов синаптических связей между нейронами.
- Настройка значений смещения (bias) для нейронов скрытых и выходного слоев.
- Выбор функции активации (например, Sigmoid, Tanh, ReLU, Linear) для нейронов.
- Обучение сети:
- Автоматическое обучение:** Реализация алгоритма обратного распространения ошибки (Backpropagation) для обучения сети на предоставленных обучающих данных.
- Контроль обучения:** Возможность запуска/остановки обучения, настройки скорости обучения (learning rate), количества эпох.
- Тестирование сети:
- Подача входных данных на входной слой сети.
- Наблюдение за распространением сигнала через слои и активацией нейронов в реальном времени.
- Визуализация выходных значений сети.
Встроенные примеры задач
- Логическая операция XOR: Демонстрация способности MLP решать не линейно разделимые задачи.
- Распознавание символов: Пример задачи классификации (например, распознавание цифр или букв на небольшой сетке пикселей).
Перечень визуальных элементов
Слои нейронов
Вертикальные группы прямоугольников, представляющие входной, скрытые и выходной слои сети.
Нейроны
Прямоугольные элементы внутри слоев, визуально отражающие свое текущее состояние (например, уровень активации через цвет или размер).
Синаптические связи
Линии (часто разной толщины и/или цвета), соединяющие нейроны соседних слоев. Толщина/цвет обычно кодируют величину и знак веса связи.
Индикаторы значений
Отображение числовых значений весов связей, смещений (bias) и выходов нейронов (обычно при наведении курсора или в отдельной панели).
Панели управления
Элементы интерфейса для
- Выбора/настройки архитектуры сети (число слоев/нейронов).
- Выбора функции активации.
- Запуска/остановки процесса обучения.
- Настройки параметров обучения (скорость, эпохи).
- Выбора встроенного примера задачи (XOR, символы).
- Ручного ввода тестовых данных.
Области ввода/вывода
Специфичные для выбранного примера (например, сетка пикселей для ввода символа, поля для ввода бинарных значений для XOR, область отображения распознанного символа или результата операции).
Минимальные системные требования
- Операционная система Windows 7 SP1+ (64-bit), macOS 10.12+, Ubuntu 16.04+/CentOS 7+ (64-bit), AstraLinux
- Процессор: Intel Core i3-3210 / AMD A8-7600 APU или эквивалент
- Оперативная память (RAM): 4 ГБ
- Видеокарта: Графика с поддержкой DirectX 10 (Shader Model 4.0) или OpenGL 3.2+, минимум 1 ГБ видеопамяти (например, NVIDIA GeForce GT 610, AMD Radeon HD 7450, Intel HD Graphics 4000)
- Место на диске: 1 ГБ
- Дополнительно: .NET Framework 4.6 / Mono, разрешение экрана не менее 1280×720 пикселей.
Документация.
Документация доступна по ссылке.