⚡ Simulador: Optimización con Curvas de Nivel (SGD vs. Adam)
Relieve No Convexo: Mínimo Local vs. Global
💡 Cómo leer este mapa: a flecha amarilla apunta en la dirección de descenso (−∇L), que es el sentido opuesto al vector gradiente (∇L). El optimizador avanza en esa dirección para reducir la pérdida L(w1, w2) hasta alcanzar las regiones más profundas (tonos más oscuros).
ALGORITMO PRINCIPAL (línea sólida)
TASA DE APRENDIZAJE (η)
Mapa de Calor de la Pérdida L(w₁, w₂) — clic para elegir el inicio
Mínimo Global
Mínimo Local
Gradiente (↓ descenso)
Trayectoria principal
Fantasma (otro optimizador)
ESTADO DE LA OPTIMIZACIÓN:
w₁ = 1.80, w₂ = 0.20
Pérdida L = 2.450
PASO
0
|∇L| (MAGNITUD)
0.000
Estado: Punto Inicial
Descripción: Figura 9.9: Simulador interactivo de los Algoritmos de Optimización: compare la trayectoria del SGD y del Adam sobre una superficie de pérdida no convexa con mapa de calor y curvas de nivel. La línea sólida muestra el optimizador seleccionado avanzando paso a paso; la línea discontinua muestra, para comparación instantánea, el camino completo que el otro optimizador recorrería desde el mismo punto inicial. Observe cómo el SGD queda atrapado en el Mínimo Local a la derecha, mientras que el Adam puede o no cruzar la barrera central dependiendo del impulso acumulado y de la tasa de aprendizaje. Haga clic en cualquier punto del mapa para restablecer el punto inicial de los pesos.