⚡ Simulateur : Optimisation avec Courbes de Niveau (SGD vs. Adam)
Relief Non Convexe : Minimum Local vs. Global
💡 Comment lire cette carte : a flèche jaune pointe dans la direction de descente (−∇L), qui est le sens opposé au vecteur gradient (∇L). L'optimiseur avance dans cette direction pour réduire la perte L(w1, w2) jusqu'à atteindre les régions les plus profondes (teintes plus sombres).
ALGORITHME PRINCIPAL (ligne pleine)
TAUX D'APPRENTISSAGE (η)
Carte de Chaleur de la Perte L(w₁, w₂) — cliquez pour choisir le départ
Minimum Global
Minimum Local
Gradient (↓ descente)
Trajectoire principale
Fantôme (autre optimiseur)
ÉTAT DE L'OPTIMISATION :
w₁ = 1.80, w₂ = 0.20
Perte L = 2.450
PAS
0
|∇L| (MAGNITUDE)
0.000
Statut : Point Initial
Description : Figure 9.9: Simulador interactif des algorithmes d’optimisation : comparez la trajectoire du SGD et de l’Adam sur une surface de perte non convexe avec carte de chaleur et courbes de niveau. La ligne continue montre l’optimiseur sélectionné avançant pas à pas ; la ligne pointillée montre, pour une comparaison instantanée, le chemin complet que l’autre optimiseur parcourrait depuis le même point initial. Observez comment le SGD reste bloqué au Minimum Local à droite, tandis que l’Adam peut ou non franchir la barrière centrale selon l’impulsion accumulée et le taux d’apprentissage. Cliquez sur n’importe quel point de la carte pour réinitialiser le point initial des poids.