08 / IA & MATHÉMATIQUES APPLIQUÉES

Neural Boundary Lab.
Observer l’apprentissage.

Entraînez un réseau de neurones C++17 à reconnaître deux populations de points en 2D. Observez en direct sa frontière de décision, son erreur et ses performances sur des données jamais vues.

C++17WebAssemblyRétropropagationMini-batch SGDClassification 2D

ÉCHANTILLONS / FRONTIÈRE DE DÉCISION

Comment le modèle sépare les deux classes

Chargement C++…

Classe A (0) Classe B (1)Trait gris : probabilité 50 %

La carte de couleur représente P(classe B) calculée par le réseau C++. Cliquez sur le plan pour ajouter un point d'entraînement ; cela influe sur l'apprentissage suivant.

Entraînement C++

ÉPOQUE0

PRÉCISION TEST—

PERTE TEST—

Initialisation du moteur.

Architecture active : 2 → 8 → 8 → 1. Lot de 32 exemples. Activation tanh, sortie sigmoïde, perte entropie croisée.

Configurer l'expérience

RépartitionCouches cachées Learning rateClasse à ajouter Bruit de génération 0,12 Vitesse d'entraînement

320 points fictifs : 80 % entraînement et 20 % test, équilibrés par classe.

Architecture et connexions

Poids positifs en bleu, négatifs en orange. L'épaisseur suit la magnitude. Les neurones affichent leur activation pour le point sondé.

Courbe d'apprentissage

Perte d'entraînement, moyenne sur les observations non utilisées pour le test.

Survolez la carte pour inspecter P(classe B).

Adaptation technique : la version native repose sur un cœur C++17 indépendant de SDL2. Ce module WASM reprend les équations d'activation, la descente de gradient en mini-lots et la propagation arrière. La génération des points se fait en JavaScript ; quatre primitives mathématiques (exp, tanh, log, sqrt) sont importées de l'environnement du navigateur. L'initialisation pseudo-aléatoire n'est donc pas identique octet pour octet à l'exécutable natif.