🧠 Калькулятор многослойного перцептрона

Интерактивный симулятор нейронных сетей с визуализацией в реальном времени

Архитектура сети

Параметры обучения

Тот же seed + те же настройки = точно тот же результат
💡 Совет: При загрузке примера набора данных (вкладка «Данные») рекомендуемые настройки применяются автоматически и сеть создаётся. Sigmoid хорошо подходит для бинарной классификации, ReLU — для глубоких сетей, Linear — как выход для регрессии. Начинайте с малых скоростей обучения (0,01–0,001) для стабильной сходимости.

Примеры наборов данных

При загрузке применяются рекомендуемые настройки (документ «Рекомендации по параметрам обучения») и создаётся сеть.

Собственный CSV-файл

Файл не выбран
ℹ️ Указания по загрузке CSV (расположение и формат)
  • Расположение: CSV-файл должен храниться локально на вашем компьютере (или на подключённом к нему диске/USB-накопителе). Диалог выбора файла всегда открывает ваш компьютер — к файлам на сайте или сервере калькулятор напрямую обратиться не может. Онлайн-файлы сначала скачайте.
  • Конфиденциальность: файл обрабатывается только в вашем браузере и никуда не передаётся.
  • Структура: одна строка на наблюдение, рекомендуется строка заголовков с именами столбцов (напр. USD,EUR,CNY,GBP,CHF). По умолчанию последний столбец — цель; после загрузки целью можно выбрать любой столбец. Не более 10 входных столбцов.
  • Значения: исходные (не нормализованные). Столбцы с текстом или датой автоматически игнорируются; строки с пропусками пропускаются.
  • Порядок: для временных рядов — по возрастанию даты (сначала самые старые); тогда последние строки образуют тестовую выборку, как при реальном прогнозе.
  • Разделитель: запятая или точка с запятой; при точке с запятой допускается десятичная запятая (экспорт из русского Excel). Кодировка UTF-8.

Подготовка данных

Изменения сразу применяются к загруженным данным — повторная загрузка не нужна. Затем обучите сеть заново.

Обзор данных

Начать обучение

0%

Текущая эпоха

0

Потери при обучении

0.000

Лучший Loss

∞

Время обучения

0s

Журнал обучения

Кривая Loss в реальном времени

🎯 Бэктестинг: обученная сеть применяется к обучающим данным и к тестовым данным, не использованным при обучении. Все значения в исходной шкале. О качестве прогноза говорят тестовые метрики.

Архитектура сети

💡 Совет: Сеть показывает связи между нейронами

Активные нейроны (статус активации)

Показаны: ● Нормальные Неактивные нейроны: только серая точка

Распределение весов

Значения активации (таблица)

💡 Показывает значения активации всех нейронов после последнего прогноза.
Выполните прогноз, затем нажмите «Обновить».

Ручной ввод (исходные значения)

Пакетный прогноз

Файл не выбран
Те же столбцы, что и при обучении (исходные значения). Если файл дополнительно содержит целевой столбец, рассчитываются ошибки и метрики. Указания по формату — как на вкладке «Данные».
Пакет из тестовых данных загруженного набора (не использовались при обучении; в валютных примерах — последний период):

Статистика сети

Информация о слоях

Данные модели

Обучение & Прогнозы

Визуализации

📝 Примечание: все данные экспортируются в CSV (совместимо с Excel). Графики — в PNG с белым фоном.