PlaygroundTerrain de jeu
Game of Life: J. H. Conway (1970), popularized by M. Gardner, Scientific American. Forest fire: Drossel & Schwabl (1992). Jeu de la vie : J. H. Conway (1970), popularisé par M. Gardner, Scientific American. Feu de forêt : Drossel & Schwabl (1992).
Draw in the white area and watch your strokes mirrored, rotated and tiled in real time. Choose one of the 17 wallpaper groups or 7 frieze groups, then design your own kaleidoscopic tiling. Dessine dans la zone blanche et regarde tes traits réfléchis, tournés et pavés en temps réel. Choisis l'un des 17 groupes de papier peint ou des 7 groupes de frise, puis compose ton propre pavage kaléidoscopique.
The classification of the 17 wallpaper groups was proven complete by Fedorov (1891). La classification des 17 groupes de papier peint a été démontrée complète par Fedorov (1891). More infoEn savoir plus
A marker rolls down a 3D loss surface following its gradient. Drag to rotate the view. Pick a surface and an optimiser, and tune the learning rate. SGD: Robbins & Monro (1951); Momentum: Polyak (1964); Adam: Kingma & Ba (2014). Une bille descend une surface de perte 3D en suivant son gradient. Glisse pour tourner la vue. Choisis une surface, un optimiseur et règle le taux d'apprentissage. SGD : Robbins & Monro (1951) ; Momentum : Polyak (1964) ; Adam : Kingma & Ba (2014).
A latent space is a low-dimensional map where each image is encoded to a point, so that visually similar images land close together. Here every real CIFAR-100 image is a dot, coloured by its class (100 classes), laid out in 3D. Drag to rotate the cloud, scroll to zoom, move the cursor through the space and the left panel shows the image at the nearest point. Dataset: CIFAR-100 (Krizhevsky, 2009). Un espace latent est une carte en faible dimension où chaque image est encodée en un point, de sorte que les images visuellement proches se retrouvent voisines. Ici chaque vraie image CIFAR-100 est un point, coloré selon sa classe (100 classes), disposé en 3D. Glisse pour tourner le nuage, molette pour zoomer, déplace le curseur dans l'espace et le panneau de gauche montre l'image du point le plus proche. Jeu de données : CIFAR-100 (Krizhevsky, 2009).
A convolutional autoencoder (PyTorch) was trained on AFHQ dog faces, then PCA was run on the latent codes; the sliders control the top 64 principal components. Each slider moves along one component (the first ones matter most); the decoder runs live in your browser and redraws the dog. Double-click a slider to reset it. Dog faces: AFHQ dataset (Choi et al., 2020). Un auto-encodeur convolutif (PyTorch) a été entraîné sur des visages de chiens (AFHQ), puis une ACP a été appliquée aux codes latents ; les curseurs contrôlent les 64 premières composantes principales. Chaque curseur se déplace le long d'une composante (les premières comptent le plus) ; le décodeur tourne en direct dans ton navigateur et redessine le chien. Double-clique sur un curseur pour le remettre à zéro. Visages de chiens : jeu de données AFHQ (Choi et al., 2020).
A diffusion model learns to reverse a gradual noising process: starting from pure noise, a UNet predicts and removes the noise step by step until an image appears. This one was trained in PyTorch on AFHQ dog faces (128×128) and runs live in your browser. Press Generate and watch a dog emerge from the noise. DDPM: Ho et al. (2020); DDIM sampler: Song et al. (2020); data: AFHQ (Choi et al., 2020). Un modèle de diffusion apprend à inverser un processus de bruitage progressif : à partir de bruit pur, un UNet prédit et retire le bruit étape par étape jusqu'à ce qu'une image apparaisse. Celui-ci a été entraîné avec PyTorch sur des visages de chiens AFHQ (128×128) et tourne en direct dans ton navigateur. Clique sur Générer et regarde un chien émerger du bruit. DDPM : Ho et al. (2020) ; échantillonneur DDIM : Song et al. (2020) ; données : AFHQ (Choi et al., 2020).
Neural style transfer: a feed-forward network (Johnson et al., trained with PyTorch) repaints your photo in the style of a painting - Van Gogh-like swirls, mosaics, watercolours. The painting thumbnails use AdaIN (Huang & Belongie), a single network that can apply any painting's style. Pick a style, upload an image (it stays in your browser) and the network runs live with ONNX. Weights: igreat/fast-style-transfer and naoto0804/pytorch-AdaIN (MIT); paintings via Wikimedia Commons (public domain). Transfert de style neuronal : un réseau feed-forward (Johnson et al., entraîné avec PyTorch) repeint ta photo dans le style d'un tableau - tourbillons à la Van Gogh, mosaïques, aquarelles. Les vignettes de tableaux utilisent AdaIN (Huang & Belongie), un seul réseau capable d'appliquer le style de n'importe quel tableau. Choisis un style, charge une image (elle reste dans ton navigateur) et le réseau tourne en direct avec ONNX. Poids : igreat/fast-style-transfer et naoto0804/pytorch-AdaIN (MIT) ; tableaux via Wikimedia Commons (domaine public).
Word embeddings (word2vec-style, here GloVe 50d) map every word to a vector so that similar words are close and directions carry meaning: king - man + woman ≈ queen. The 20,000 most frequent words are shown in 3D (PCA). Drag to rotate, scroll to zoom, search a word for its neighbours, or try vector arithmetic. word2vec: Mikolov et al. (2013); GloVe: Pennington, Socher & Manning (2014). Les plongements de mots (type word2vec, ici GloVe 50d) associent à chaque mot un vecteur : les mots similaires sont proches et les directions portent du sens : king - man + woman ≈ queen. Les 20 000 mots les plus fréquents sont affichés en 3D (ACP). Glisse pour tourner, molette pour zoomer, cherche un mot pour voir ses voisins, ou essaie l'arithmétique vectorielle. word2vec : Mikolov et al. (2013) ; GloVe : Pennington, Socher & Manning (2014).