⚙️ Simulador: Arquitetura Completa de uma CNN
Entrada (12×12) → Conv → Pool → FC → Softmax
IMAGEM DE ENTRADA DO PIPELINE (12×12)
🎯 Treinamento (Forward Pass + Retropropagação)
Entrada ▸ Conv+ReLU ▸ Pool ▸ Flatten ▸ FC ▸ Softmax ▸ Previsão
Perda ◂ Otimizador ◂ Retropropagação ◂ (a cada passo)
PERDA (LOSS)
ACURÁCIA
Loss: —
Acurácia: —
Passo de treinamento: 0
Os kernels e pesos começam aleatórios (não são mais os filtros fixos do simulador anterior). A cada passo, a rede faz o forward pass nas 3 imagens, calcula a perda (cross-entropy) e a acurácia (quantas das 3 imagens são classificadas corretamente), retropropaga o erro e ajusta todos os pesos (inclusive os kernels da convolução) via gradiente descendente. ⚠️ Como o "conjunto de treino" tem apenas 3 exemplos, isso demonstra o mecanismo do treinamento (perda caindo, acurácia subindo, pesos mudando) — não a capacidade de generalizar para imagens novas, que exigiria muito mais dados.
Descrição: Figura 9.11: Simulador interativo da arquitetura de uma CNN: escolha uma das imagens de entrada 12×12 (casa, rosto feliz ou triste), clique em cada bloco do pipeline — Entrada, Conv+ReLU , Pooling , Flatten , FC e Softmax — e execute passos de treinamento reais ( forward pass + retropropagação) para observar a perda e a acurácia evoluindo, os kernels sendo ajustados e o Softmax passando a apontar a classe correta.