⚡ Simulador: Otimização com Curvas de Nível (SGD vs. Adam)
Relevo Não Convexo: Mínimo Local vs. Global
💡 Como ler este mapa: a seta amarela aponta na direção de descida (−∇L), que é o sentido oposto ao vetor gradiente (∇L). O otimizador avança nessa direção para reduzir a perda L(w1, w2) até atingir as regiões mais profundas (tons mais escuros).
ALGORITMO PRINCIPAL (linha sólida)
TAXA DE APRENDIZADO (η)
Mapa de Calor da Perda L(w₁, w₂) — clique para escolher o início
Mínimo Global
Mínimo Local
Gradiente (↓ descida)
Trajetória principal
Fantasma (outro otimizador)
ESTADO DA OTIMIZAÇÃO:
w₁ = 1.80, w₂ = 0.20
Loss L = 2.450
PASSO
0
|∇L| (MAGNITUDE)
0.000
Status: Ponto Inicial
Descrição: Figura 9.9: Simulador interativo dos Algoritmos de Otimização: compare a trajetória do SGD e do Adam sobre uma superfície de perda não convexa com mapa de calor e curvas de nível. A linha sólida mostra o otimizador selecionado avançando passo a passo; a linha tracejada mostra, para comparação instantânea, o caminho completo que o outro otimizador percorreria a partir do mesmo ponto inicial. Observe como o SGD fica retido no Mínimo Local à direita, enquanto o Adam pode ou não transpor a barreira central dependendo do impulso acumulado e da taxa de aprendizado. Clique em qualquer ponto do mapa para redefinir o ponto inicial dos pesos.