데이터Data

• 기본 데이터셋 14개: 2D 분류(나선, 세 갈래 나선, 초승달, XOR, 원, 동심원, 가우시안 덩어리 4개, 여섯 팔 풍차, 체커보드), 1D 회귀(사인 곡선), 고차원 입력(12비트 패리티, 24차원 속에 숨은 나선, 8×8 패턴 이미지)14 built-in datasets: 2D classification (spiral, three-arm spiral, moons, XOR, circles, rings, four Gaussian blobs, six-arm pinwheel, checkerboard), 1D regression (a sine curve), and high-dimensional inputs (12-bit parity, a spiral hidden in 24 dimensions, 8×8 pattern images)
• 클래스 2~5개짜리 2D 데이터를 직접 그리기draw your own 2D dataset with 2 to 5 classes
• 점 개수(40~800), 노이즈, 데이터 시드 조절. 학습/검증 80/20 분할set the number of points (40–800), the noise and the data seed; an 80/20 train/validation split

모델Model

• 은닉층 1~6개, 층당 뉴런 1~32개인 완전연결 신경망(MLP)a fully connected network (MLP) with 1–6 hidden layers and 1–32 neurons per layer
• 활성함수 ReLU, tanh, GELU, sigmoidReLU, tanh, GELU or sigmoid activations
• 2D 데이터용 추가 입력 특징: x², y², xy, sin x, sin yextra input features for 2D data: x², y², xy, sin x, sin y
• 초기 가중치 시드a seed for the initial weights

학습Training

• 모멘텀 SGD 또는 Adam. 학습률, 모멘텀, 배치 크기, L2 정규화, 그래디언트 클리핑SGD with momentum or Adam, with learning rate, momentum, batch size, L2 regularisation and gradient clipping
• 연속 학습 또는 한 스텝씩, 속도 조절 가능. 손실이 더 안 움직이면 알아서 멈춤train continuously or one step at a time, at an adjustable speed; it pauses itself once the loss stops moving
• 학습 중에 하이퍼파라미터를 바로 바꾸기change hyperparameters live while it trains

편집과 측정Editing and measuring

• 은닉 뉴런을 클릭 한 번으로 가지치기, 그리고 되살리기prune any hidden neuron with a click, and bring it back
• 엣지를 드래그해 가중치 하나를 밀고, 손실 변화를 실시간으로 보기nudge a single weight by dragging its edge, with the loss change shown live
• 모든 편집의 손실 변화를 세 가지로 표시: 변경 전후 직접 차이, K점 경로 적분, 2차(테일러, 헤시안-벡터 곱) 추정. 각각 직접 차이 대비 오차와 함께, K는 조절 가능every edit's loss change shown three ways: the direct before/after difference, a K-point path integral, and a second-order (Taylor, Hessian-vector product) estimate, each with its error against the direct value; K is adjustable
• 뉴런별 중요도(각 뉴런을 지웠을 때의 직접 손실 변화), 측정 시점과 데이터 범위 표시per-neuron importance (the direct loss change from removing each neuron), labelled with the step and data coverage it was measured on
• 점수 규칙을 직접 쓰거나 골라서(magnitude, Wanda, Taylor/OBD, 출력 민감도, 활성 분산) 여러 뉴런을 한꺼번에 가지치기. 미리보기 후 되돌리기 한 번 단위로 적용prune many neurons at once with a scoring rule you write or pick (magnitude, Wanda, Taylor/OBD, output sensitivity, activity spread), preview it, then apply as one undo step
• 가지치기 후 파인튜닝: 남은 뉴런만 학습fine-tune after pruning: only the remaining neurons train
• 최근 편집 10개까지 되돌리기·다시 실행undo and redo the last 10 edits

화면Views

• 네트워크 그래프: 활성값, 가중치 크기와 부호, 입력 평면에서 뉴런별 반응, 약한 연결 숨기기network graph: activations, weight size and sign, each neuron's response over the input plane, weak edges hidden on demand
• 결정 경계, 회귀일 땐 맞춘 곡선decision boundary, or the fitted curve for regression
• 가중치 행렬을 힌튼 다이어그램이나 히트맵으로weight matrices as a Hinton diagram or a heatmap
• 특징 공간 속 데이터: 마지막 은닉층을 주성분 3개 방향으로 투영data in feature space: the last hidden layer projected onto its top three principal directions
• 현재 가중치 주변의 3D 손실 지형, 그 위에 옵티마이저의 경로the loss landscape in 3D around the current weights, with the optimizer's path on it
• 뉴런이 반응하는 방식대로 배치한 3D 네트워크, 학습을 늦추고 궤적을 남기는 관찰 모드the network in 3D, laid out by what each neuron responds to, with an observe mode that slows training and leaves trails
• 뉴런 상세: 활성값 통계, 편향, 들어오고 나가는 가중치, 죽음·포화 여부a neuron inspector: activation statistics, bias, incoming and outgoing weights, and whether it is dead or saturated
• 띄울 화면 고르기, 순서 바꾸기, 양옆 패널 크기 조절·접기pick which views are open, reorder them, and resize or collapse the side panels

결과Results

• 실시간 수치: 스텝, 손실, 검증 손실, 정확도, 파라미터 수, 그래디언트 크기, 압축률live stats: step, loss, validation loss, accuracy, parameter count, gradient size, compression
• 학습 스텝 축의 손실 곡선, 저장한 스냅샷 최대 3개와 편집 시점 표시a loss curve on a training-step axis with up to three saved snapshots and every edit marked
• 2차 추정 대 직접 손실 변화 산점도. 점을 고르면 어떤 편집인지 보고 편집 로그로 이동a scatter of second-order versus direct loss change; select a point to see its edit and jump to it in the edit log
• 바꾼 모든 것의 편집 로그an edit log of everything you changed

배우기와 챌린지Learning and challenge

• 8챕터짜리 단계별 튜토리얼an 8-chapter guided tutorial
• HINT 모드(쉬운 말 라벨과 한 줄 판정), 발산·과적합·과소적합·과도한 가지치기를 짚고 다음 할 일을 제안하는 Helper, 용어 설명 모드, 섹션별 도움말과 가이드HINT mode (plain-language labels and a one-line verdict), a Helper that spots diverging, over- and underfitting and over-pruning and suggests a next step, a term-explanation mode, per-section help and a guide
• 블라인드 압축 챌린지: 측정값을 가린 채 푸는 채점형 퍼즐 8개, 도달 가능한 최선의 결과 대비로 채점a blind compression challenge: 8 graded puzzles where the measurements are hidden and you are scored against the best result reachable

저장과 기타Saving and the rest

• 작업 상태가 브라우저에 자동 저장되고 다음에 복원your session is saved in the browser and restored next time
• 어떤 상태든 링크로 공유하거나 .json 파일로 저장·불러오기share any state as a link, or download and load it as a .json file
• 단축키, 라이트·다크 테마, 영어·한국어keyboard shortcuts, light and dark themes, English and Korean

• 완전연결 신경망만 가능. 합성곱, 순환, 트랜스포머 층과 드롭아웃, 배치 정규화는 없음only fully connected networks: no convolutional, recurrent or transformer layers, no dropout or batch normalisation
• 작은 망만 가능. 은닉층 최대 6개, 층당 최대 32개, 조절 패널로는 모든 은닉층 너비가 같음small networks only: at most 6 hidden layers of 32 neurons, and through the controls every hidden layer has the same width
• 데이터 파일(CSV, 이미지) 업로드 불가. 직접 만드는 데이터는 2D로 그린 점뿐no uploading your own data files (CSV, images); custom data is limited to points you draw in 2D
• MNIST 같은 실제 데이터셋 없음. 고차원 데이터는 합성 데이터no real-world datasets such as MNIST; the high-dimensional sets are synthetic
• 회귀는 1D 곡선 하나(사인)뿐regression is limited to a single 1D curve (the sine)
• 가지치기는 뉴런 단위. 가중치 하나는 밀 수만 있고 개별로 가지칠 수는 없음. 양자화 없음pruning works on whole neurons; single weights can be nudged but not pruned one by one, and there is no quantization
• 2차 추정은 2차 모델 자체만. 헤시안 역행렬과 남은 가중치 보정이 없어서 Optimal Brain Surgeon 전체 방법은 아님the second-order estimate is the quadratic model alone: no Hessian inverse and no compensating update to the remaining weights, so it is not the full Optimal Brain Surgeon method
• 학습률 스케줄 없음no learning-rate schedules
• 학습은 GPU가 아니라 브라우저 안 CPU에서 돌아서, 가장 큰 설정에선 느려짐training runs on the CPU in your browser, not the GPU, so the largest settings get slow
• 학습한 모델을 PyTorch, ONNX 등으로 내보내기 불가. 랩 자체 .json 상태만no exporting a trained model to PyTorch, ONNX or similar; only the lab's own .json state
• 계정·클라우드 동기화 없음. 링크로 공유하지 않으면 저장은 이 브라우저에만no accounts or cloud sync: saves stay in this browser unless you share a link
• 챌린지에 온라인 순위표 없음the challenge has no online leaderboard
• 데스크톱용. 폰에선 안내 화면이 먼저 뜨고, 그래도 열면 화면이 비좁음built for desktop: on a phone you get an explainer first, and the lab is cramped if you open it anyway
• 자바스크립트 필요needs JavaScript