Visualización interactiva de una red neuronal

Esta aplicación muestra un Perceptrón Multicapa (MLP) compacto entrenado con MNIST. Dibuja un dígito y observa cómo las activaciones se propagan en tiempo real a través de todas las capas completamente conectadas.

Cómo funciona:

• Dibujar: Haz clic y arrastra en la cuadrícula 2D (arriba a la izquierda) para dibujar un dígito
• Observar: Sigue cómo tu dibujo viaja a través de las capas de la red en el espacio 3D
• Predicción: Comprueba la probabilidad para cada dígito (0–9) en el gráfico (arriba a la derecha)

Arquitectura de la red (exportación estándar):

• Capa de entrada: Cuadrícula de 28×28 píxeles (tu dibujo)
• Capa densa 1: 784 → 64 neuronas con ReLU
• Capa densa 2: 64 → 32 neuronas con ReLU
• Capa de salida: 32 → 10 Logits → Probabilidades Softmax

Control 3D:

• Rotar: Mantén presionado el botón izquierdo y arrastra
• Mover: Mantén presionado el botón derecho y arrastra
• Zoom: Usa la rueda del ratón

Codificación de colores:

• Nodos: El color muestra la fuerza de activación (tonos azules oscuros para valores bajos/negativos, colores coral intensos para activaciones positivas fuertes)
• Conexiones: Los colores cálidos indican contribuciones positivas fuertes, los tonos fríos influencias negativas, las líneas tenues casi cero.

Entrenar tu propio modelo:

• python training/mlp_train.py para entrenar el MLP (incluyendo aceleración Apple Metal, si está disponible).
• El script escribe exports/mlp_weights.json, que el visualizador lee al cargar.
• Modifica el número de neuronas ocultas, épocas o rutas de exportación a través de las opciones CLI documentadas en training/mlp_train.py.

Funciones en tiempo real:

• Activaciones de capa: Instancias de esferas muestran activaciones por neurona con fuerza codificada por colores.
• Conexiones importantes: Cada neurona de destino resalta sus pesos de entrada más fuertes para una mejor legibilidad.
• Probabilidades en vivo: El gráfico de barras actualiza los valores Logits → Softmax en tiempo real.

La red se mantiene deliberadamente compacta para garantizar una visualización fluida en tiempo real. Eres libre de reentrenar con otros tamaños de capa; solo mantén la arquitectura ligera para que la vista 3D siga respondiendo rápidamente.