VisuApps
Interaktive Visualisierungen zu neuronalen Netzen und Deep Learning
Apps
Ein LLM-Agent ist eine Schleife: Das Modell schreibt Werkzeugaufrufe als Text, ein Programm führt sie aus, und jede Beobachtung wächst in den Kontext — mit und ohne Werkzeuge im Vergleich, inklusive Fehlerfall und Prompt-Injection.
Neuronale NetzeAusprobieren
Self-Attention sichtbar: Query, Keys, softmax(QKᵀ/√d)·V, fünf spezialisierte Köpfe, Matrix-Heatmap mit kausaler Maske, zweite Schicht und eine Rechnung von Hand mit drei Tokens.
Neuronale NetzeAusprobieren
Backpropagation an einem 2-2-2-Netz mit echten Zahlen in sechs Schritten: Vorwärtsrechnung, Verlust, δ am Ausgang und im Hidden Layer, Gradient je Gewicht, erst das Update senkt den Verlust — numerisch gegengeprüft.
Neuronale NetzeAusprobieren
Zielpunkte über eine Ebene ziehen, ein neuronales Netz färbt die Attraktionsbecken live. Regler „Netzgröße": zu wenig Neuronen → grobe, falsche Becken — die „Genug-Neuronen"-Frage zum Anfassen.
Neuronale NetzeAusprobieren
20 Berufe zerlegen sich in Tätigkeiten: echte ILO-Expositionsscores vergleichen und erkennen, warum KI-Exposition keine Entlassungsprognose ist.
Neuronale NetzeAusprobieren
Logits werden per softmax(z/T) zur Verteilung: Temperatur, Greedy, Sampling, Top-k und Top-p mit sichtbarer Abschnittslinie, Entropie, Entscheidungsbaum der Generierung und Schleifen bei T = 0.
Neuronale NetzeAusprobieren
Tausende Partikel fließen aus Gauß-Rauschen Schritt für Schritt zu Formen: Vorwärts- und Rückwärtsprozess, DDPM vs. DDIM und Classifier-free Guidance. Ein Bild-Panel zeigt dasselbe im Pixelraum, mit Grobform zuerst und Details zuletzt.
Neuronale NetzeAusprobieren
Wörter als Vektoren in einem Bedeutungsraum: Ähnlichkeit als Kosinus im vollen Raum, Analogie-Pfeile, Nachbarn und drei 3D-Schatten (Karte, PCA, Achsen) mit der Angabe, wie viel Nachbarschaft jeder erhält.
Neuronale NetzeAusprobieren
Verlustfläche einer echten Geradenanpassung in 3D: θ ← θ − η∇L mit Stabilitätsgrenze 2/λmax, zwei Täler und ein Sattel, GD, Momentum und Adam im Rennen, SGD-Rauschen und die Gerade im Modell-Panel.
Neuronale NetzeAusprobieren
Eine gezeichnete Ziffer fließt durch ein echtes, auf MNIST trainiertes Netz (784 → 64 → 32 → 10): Gewichtsbilder je Neuron, Vorwärtswelle, Softmax-Balken und Testziffern, bei denen es sich sicher irrt.
Neuronale NetzeAusprobieren
Zwei 3D-Sterne — Mensch und KI: Jede Zacke ist eine Aufgaben-Domäne, ihre Länge das Fähigkeitsniveau. Die KI wächst extrem ungleichmäßig (Code und Beweise explodieren, Alltagsphysik bleibt zurück); ineinandergeschoben durchdringen sich die Sterne — es gibt keinen einzelnen Überhol-Moment (nach Karpathy).
Neuronale NetzeAusprobieren
Derselbe Prompt durch Vortraining, SFT, RLHF/DPO und LoRA: Das Wissen entsteht im Vortraining, die späteren Stufen verschieben vor allem, welche Antwort wahrscheinlich ist.
Neuronale NetzeAusprobieren
Ein künstliches Neuron: gewichtete Summe, Aktivierung, Entscheidungsgerade in der Eingabeebene mit w-Pfeil und Bias-Abstand; Perzeptron-Regel und Gradientenschritt lösen AND und OR, XOR bleibt bei 75 %.
Neuronale NetzeAusprobieren
Ein neuronales Netz als Funktion: jedes Neuron sichtbar, ReLU-Knicke als Bausteine der Ausgabe, Gewichte je Neuron editierbar, Parameterzahl; Modi Kurve, Ebene und Ziffern.
Neuronale NetzeAusprobieren
Trainingslabor für neuronale Netze in 3D: Neuronen als Kacheln mit ihrer Ausgabe, Kanten nach Gewicht, Spirale, XOR, Monde, Schichten, Aktivierungen und Regularisierung live; dazu ein Ziffern-Modus.
Neuronale NetzeAusprobieren
Retrieval-Augmented Generation Schritt für Schritt: Chunks, Embeddings, Suche nach Kosinus, BM25 oder hybrid, Top-k-Schnitt, Prompt mit Token-Budget und Antwort mit Quellen; Fehltreffer führen zu Halluzination.
Neuronale NetzeAusprobieren
Du vergleichst Antworten: Daraus lernt ein Belohnungsmodell (σ(r_A − r_B)), die Policy verschiebt sich unter einer KL-Leine; bei lockerer Leine gewinnt die schmeichelnde Antwort (Reward Hacking); dazu der DPO-Weg.
Neuronale NetzeAusprobieren
Trainingsdynamik an den Lernkurven ablesen: Lernrate, Batchgröße, Epochen, Train- und Validierungsverlust, Early Stopping am Val-Minimum, L2, Dropout, Augmentation und mehr Daten gegen Überanpassung.
Neuronale NetzeAusprobieren
GPT-2 läuft im Browser — Token-Generierung, Wahrscheinlichkeiten und Architektur live erleben.
Neuronale NetzeAusprobieren
Die GPT-2-Architektur begehbar: Residual-Strom durch 12 Blöcke, maskierte Attention als Brücken, MLP d → 4d → d, Unembedding und Softmax, ein Token nach dem anderen; Parameter je Bauteil und GPT-3 im Vergleich.
Neuronale NetzeAusprobierenDu möchtest diese Apps in deinen Kursen nutzen? Lass uns gemeinsam schauen, was zu dir passt.
Ein Formular, drei Anliegen. Wir antworten persönlich.
Wir zeigen heyprof an deinem eigenen Stoff. Sag uns, was du unterrichtest, dann bereiten wir das Gespräch darauf vor.