Etapas do Backpropagation

O erro percorre a rede de trás para frente — clique nos passos para animar cada etapa

Passos do backprop

Erro na saída

A rede prevê P(X) = 0.30, mas esperamos 1.0 — calculamos a loss.

Erro volta pela rede densa

Gradientes fluem para trás ajustando pesos das camadas fully-connected.

Erro chega nos feature maps

Cada feature map recebe um gradiente indicando sua contribuição para o erro.

Erro chega aos filtros convolucionais

Os pesos dos filtros são ajustados para detectar melhor os padrões relevantes.

Passo 1 / 4

📐

A cadeia regra (chain rule) permite calcular o gradiente em cada camada usando o gradiente da camada seguinte. O erro viaja de fora para dentro.

Visualização — Etapa 1: Erro na saída

🖼️ Entrada

9×9

→

⚙️ Conv

filtros

→

⚡ ReLU

→

🏊 Pool

→

🧠 Dense

fully-conn.

→

🎯 Saída

P(X)

⚠️ Erro alto na saída! A rede previu P(X) = 0.30, mas o valor esperado é 1.0. Precisamos calcular o loss e propagar gradientes.