INTERAKTIVER TRAININGSDURCHLAUF

Bringen Sie einem Modell bei, das Muster zu erkennen.

Passen Sie das Lernrezept an, führen Sie die Simulation aus und beobachten Sie, wie die Entscheidungsgrenze in Echtzeit lernt.

AKTUELLER STATUS Ready to run Gewichte initialisiert

Datensatz

Modell

Lernrate0.08

Batch-Größe16

Schritt Training ausführen

EPOCHE0Nicht gestartet

VERLUST—Awaiting first pass

GENAUIGKEIT—Awaiting first pass

KONFIDENZ—Signalstärke des Modells

LIVE-MODELLANSICHT

Entscheidungsgrenze

Klasse AKlasse B

ZUM INSPEZIEREN ÜBERFAHREN / TIPPENMove over the mapx 0.00 · y 0.00

Drücken Sie auf Ausführen, um mit dem Lernen zu beginnen

Grenzwerte werden nach jedem Batch aktualisiert32 samples

TRAININGSSIGNAL

Verlust über Zeit

—

StartEpochejetzt

↘

Worauf Sie achten sollten

Führen Sie ein paar Epochen aus, um zu sehen, wie das Modell die Klassen trennt.

MODELLANATOMIE

Netzwerkaktivität

2 layers

niedrige Aktivierunghohe Aktivierungpositives Gewichtnegatives Gewicht

RUN-KONSOLE

Trainingsprotokoll

Löschen

AGENTEN-LERNLABOR

Bringen Sie einem Agenten bei, den Beacon zu erreichen.

Beobachten Sie, wie eine kleine Richtlinie durch Belohnung lernt, Hindernisse erkundet und eine Route Schritt für Schritt absolviert.

MISSIONSSTATUS

Aufgabe

Erkundung24%

Ausführungsgeschwindigkeit

Agenten-Schritt Mission zurücksetzen

EPISODE—aktueller Lernlauf

BELOHNUNG—Schrittrendite

SCHRITTE—Pfadlänge

ERFOLGRATE0%

ZUSTANDSRAUM + RICHTLINIE

Gelerntes Navigationsfeld

Q-RICHTLINIE

ZUSTANDS-INSPEKTOR

gelernte Richtlinie Agentenpfad Hindernis Zielsignal

Pfeile zeigen die wertvollste Aktion für jeden Zustand. Bewegen Sie den Mauszeiger über eine Zelle oder tippen Sie darauf, um deren Q-Werte zu untersuchen.

VERSTÄRKUNGSSIGNAL

Belohnung über Episoden

—

StartEpisodejetzt

↗

Was zu beachten ist

Q-WERT-INSPEKTOR

Ausgewählter Zustand

↑Hoch0.00

→Rechts0.00

↓Runter0.00

←Links0.00

Ein Q-Wert schätzt die zukünftige Rendite einer Aktion aus diesem Zustand.