Backpropagation Visualizer
Loss function ၏ ကွာခြားချက်မှ အစပြု၍ Chain Rule derivative ဖြင့် Weights များကို ပြန်လည် update လုပ်ပေးပုံကို အဆင့်လိုက် စမ်းသပ်ကြည့်ပါ။
Backpropagation Flow Visualizer
Forward Pass Activation → Loss Computation → Backward Gradient Flow (dL/dw)
Phase: idle
Input Layer
x₁1
x₂0.5
Hidden Layer
h₁ = σ(z₁)0.568
h₂ = σ(z₂)0.587
Output Layer
ŷ = σ(z_out)0.6204Target y = 0.9
Loss (MSE): L = ½(y - ŷ)²0.039084
Input x₁1
Learning Rate η0.5
Target y0.9