调整一个变量。
看见背后的机制。

浏览器里建立直觉，本地实验里验证假设。所有交互实时计算，无需 GPU 或 API 密钥。

BACKPROPAGATION

让梯度变得可见

拖动参数，逐步看误差如何沿计算图返回。

权重 w0.5-24偏置 b0-24学习率 η0.10.010.6

COMPUTATIONAL GRAPH参数已就绪

当前损失 L8.0000

权重梯度-8.0000

已更新0 次

WHAT TO NOTICE

固定 x = 2，目标 y = 5。误差 e = ŷ − y，损失 L = ½e²。误差沿链式法则返回：∂L/∂w = e · x = -8.000。更新 w ← w − η∂L/∂w，所以负梯度会让 w 增大。

这张图把工具包里的 loss.backward() 和 optimizer.step() 分开了。把学习率调到 0.5，观察为什么算对了梯度仍可能震荡或发散。

python3 -m labs.run --experiment gradients

在项目根目录运行 · Python 3.10+ · 纯标准库 · 配置与预期输出见 labs/README.md

教学边界：这些是机制实验和离散事件模拟，不是完整 LLM 训练，也不代表任何模型或硬件的真实性能。