Neural Nets & Raspberry Pi
Neural Nets & Raspberry Pi — Aprenda redes neurais observando uma delas treinar e depois execute-a em um Pi simulado
Neural Nets & Raspberry Pi (chamado de AI Lab dentro do app) é um app gratuito para iPhone e Android voltado a estudantes, hobbistas e iniciantes curiosos que querem aprender redes neurais observando uma delas aprender em 3-D — cada neurônio, peso e etapa do gradiente é calculado pelo próprio mecanismo de treinamento compacto, e não por um simples wrapper em torno do TensorFlow. Quando um modelo funciona, você o reduz para int8 e o conecta a um Raspberry Pi Pico simulado usando Python de verdade.
- Preço
- Grátis, upgrade para Pro
- Plataformas
- iOS e Android
- Idiomas
- 10
- Classificação etária
- 4+
- Versão
- 1.2.0
- Requisitos
- iOS 15.1 ou posterior
Todo modelo gigante de AI é formado por milhões dessas mesmas pequenas unidades conectadas.
A primeira lição do AI Lab é um único neurônio: alguns números de entrada, um peso para cada um, um viés, uma função de ativação e um número de saída. Entenda essa unidade e o restante do app — os laboratórios de treinamento em 3-D, o modelo quantizado e o chip simulado — será a mesma ideia ampliada e depois reduzida novamente.
O que é
Neural Nets & Raspberry Pi, o app AI Lab, é um app gratuito para iOS e Android voltado a estudantes e hobbistas, que ensina redes neurais e machine learning embarcado (TinyML) na prática. As lições evoluem de um único neurônio para redes com várias camadas, quatro laboratórios em 3-D permitem observar o gradiente descendente, a quantização e a inferência int8 sendo executados em um mecanismo de treinamento compacto real, e uma bancada Raspberry Pi permite conectar componentes virtuais e escrever Python de verdade com gpiozero em um Pi Pico simulado.
Dentro do app
Como ele é
Contexto
O que uma rede neural realmente faz enquanto treina?
Uma rede neural é uma cadeia de unidades simples chamadas neurônios. Cada uma multiplica suas entradas por pesos, adiciona um viés e passa o resultado por uma função de ativação. Treinar significa medir repetidamente o quanto a saída da rede está errada e ajustar levemente cada peso para diminuir um pouco esse erro, chamado de perda. Faça isso milhares de vezes e a fronteira de decisão da rede — a linha ou curva que ela traça entre as categorias — gradualmente chega ao lugar certo. Fazer uma rede treinada funcionar em um hardware pequeno é um segundo problema separado: quantização e inferência embarcada.
Pesos, viés e ativaçãoos três controles de um neurônio
Um peso define o quanto uma entrada importa; o viés desloca a saída do neurônio independentemente das entradas; a ativação comprime o resultado em um intervalo limitado, para que ele represente uma decisão em vez de um número sem limite. Empilhe o suficiente dessas unidades sem ativação e você ainda terá apenas uma linha reta — é a ativação que permite que uma rede faça curvas.
Perda e gradiente descendentecomo o aprendizado acontece
A perda é um único número: fica alto quando as previsões da rede são ruins e baixo quando são boas. O gradiente descendente calcula qual direção reduz esse número mais rapidamente e ajusta cada peso um pequeno passo nessa direção, repetindo o processo até que a perda pare de cair. A taxa de aprendizado define o tamanho desse passo — se for pequena demais, o treinamento se arrasta; se for grande demais, pode ultrapassar o ponto ideal e divergir.
Quantizaçãoreduzindo um modelo treinado
Uma rede recém-treinada armazena seus pesos como números de ponto flutuante de 32 bits, o que é grande e lento demais para um microcontrolador. A quantização arredonda esses pesos para números muito menores, normalmente inteiros de 8 bits (int8), reduzindo o tamanho do modelo em aproximadamente quatro vezes ao custo de alguma precisão — o principal compromisso por trás do TinyML: executar machine learning em hardware pequeno e de baixo consumo, em vez de um servidor.
GPIO e gpiozeroo lado do hardware
Os pinos GPIO (entrada/saída de uso geral) são a forma como um Raspberry Pi se comunica com componentes físicos: um LED, um botão ou uma campainha. gpiozero é uma biblioteca Python que transforma diagramas de ligação em poucas linhas de código — `LED(17).on()` em vez de escritas em registradores de baixo nível — e é por isso que costuma ser o ponto de partida para eletrônica com Pi antes de usar uma placa real.
Como funciona
Como o app é usado
As três abas se complementam: leia como algo funciona, observe isso acontecendo e depois monte a parte física.
Percorra um mundo de lições curtas
Signals & Neurons, Learning by Falling e Deeper Minds oferecem de três a cinco lições curtas cada — um neurônio, depois pesos e viés, depois perda e gradiente descendente e, por fim, por que uma única linha reta acaba falhando — com um quiz encerrando cada lição e XP, níveis e uma sequência acompanhando seu progresso.
Observe e ajuste um modelo real nos Labs
Loss Valley representa o gradiente descendente como uma paisagem em 3-D que você inclina com a taxa de aprendizado; Decision Surface envolve uma espiral com uma fronteira usando seis conjuntos de dados de prática, do iniciante ao avançado; The Shrinker quantiza uma rede treinada, reduzindo-a a um quarto do tamanho; The Chip executa inferência int8 real para que você observe o compromisso entre precisão, tamanho e velocidade, em vez de apenas ler sobre ele.
Conecte e programe na bancada Raspberry Pi
Abra a bancada, adicione componentes virtuais a um Pi Pico 3-D simulado e escreva Python de verdade com gpiozero no editor integrado. Cinco projetos iniciais vão do iniciante ao avançado: piscar um LED, sequenciar um semáforo de três luzes, controlar o brilho de uma delas com PWM, ler um botão e depois percorrer uma barra Knight Rider com cinco LEDs.
O que está incluído
O que o app realmente oferece
4
laboratórios de treinamento em 3-D
Loss Valley, Decision Surface, The Shrinker e The Chip executam ao vivo o próprio mecanismo de treinamento compacto do app, para que o gradiente descendente, uma fronteira aprendida, a quantização e a inferência int8 sejam coisas que você observa e inclina, não diagramas estáticos.
5
projetos de eletrônica com Pi
Pisque um LED, sequencie um semáforo, controle o brilho com PWM, leia um botão e percorra uma barra Knight Rider com cinco LEDs — tudo conectado e programado em Python com gpiozero em um Raspberry Pi Pico 3-D simulado.
int8
Inferência quantizada real
The Shrinker quantiza uma rede treinada, deixando-a aproximadamente quatro vezes menor, e The Chip executa então uma inferência int8 genuína com o resultado, para que você meça por conta própria o compromisso entre tamanho e precisão enfrentado por todo engenheiro de sistemas embarcados.
3
mundos gratuitos de lições
Signals & Neurons, Learning by Falling e Deeper Minds — dos neurônios ao gradiente descendente e às redes com várias camadas — são gratuitos, assim como todos os laboratórios e toda a bancada Pi.
6
conjuntos de dados de prática
Two Blobs, XOR, Circles, Two Moons e mais dois conjuntos permitem executar novamente o problema de aprendizado de fronteiras do laboratório Decision Surface com diferentes formatos, desde casos em que uma linha reta é suficiente até aqueles que exigem uma camada oculta.
9
Conquistas e um Model Zoo
Nove conquistas, desde concluir a primeira lição até obter ouro em todos os laboratórios, além de um Model Zoo com quatro cartões de modelos colecionáveis desbloqueados ao concluir os laboratórios Loss Valley, Decision Surface, Shrinker e Chip.
Para quem é
Para quem é — e para quem não é
É uma boa opção se você
- Quer ver o que um neurônio, um valor de perda e a descida do gradiente realmente fazem, em vez de apenas ler os termos
- Tem curiosidade sobre TinyML — executar um modelo reduzido e quantizado em hardware pequeno — e quer sentir por conta própria a troca entre tamanho e precisão
- Quer praticar conexões de Raspberry Pi e Python com gpiozero antes de arriscar uma placa real
- Aprende melhor com uma paisagem 3-D que você inclina e um limite que observa se mover do que com uma apresentação de slides
- Quer uma explicação desde o início, em vez de um curso baseado em chamar a biblioteca de AI de outra pessoa
Não é a ferramenta certa se você
- Precisa de um framework de machine learning para produção, como TensorFlow ou PyTorch — o mecanismo de treinamento aqui foi desenvolvido de forma compacta e explicável para aprendizado, não para cargas de trabalho reais
- Quer gravar código diretamente em hardware físico pelo app; o Pi aqui é uma simulação 3-D, e o Python que você escreve pode ser aproveitado se mais tarde usar um Pi real
- Quer tudo sem custo: os três mundos iniciais, todos os laboratórios e a Bancada são gratuitos, e o Pro desbloqueia o restante do currículo
- Já tem uma base sólida em redes neurais e procura uma referência avançada ou de nível de pesquisa, em vez de lições sobre os primeiros princípios
Dúvidas
Perguntas frequentes
Qual é a melhor maneira de entender de verdade como uma rede neural aprende?
Ler sobre pesos e descida do gradiente só ajuda até certo ponto; ver a perda de um modelo realmente diminuir fecha essa lacuna. O Laboratório de IA ensina primeiro neurônios, pesos, viés e ativação; depois, o laboratório Loss Valley representa a descida do gradiente como uma paisagem 3-D que você inclina com a taxa de aprendizado, enquanto o Decision Surface mostra um limite aprendido se envolvendo em torno de uma espiral em tempo real. Gratuito no iOS e no Android.
O que é a descida do gradiente e por que a taxa de aprendizado importa?
A descida do gradiente é como uma rede reduz o próprio erro: a cada etapa, ela calcula qual direção diminui a perda mais rapidamente e desloca um pouco cada peso nessa direção, como uma bola rolando ladeira abaixo em direção a um vale. A taxa de aprendizado define o tamanho de cada passo. Se for pequena demais, o treinamento avança lentamente; se for grande demais, a bola pode passar do vale e ficar quicando ou divergir, em vez de se estabilizar. O laboratório Loss Valley do Laboratório de IA permite arrastar esse controle e observar a diferença acontecer em uma execução real de treinamento.
O que a quantização de uma rede neural para int8 realmente faz?
Uma rede recém-treinada armazena seus pesos como números de ponto flutuante de 32 bits, o que oferece mais precisão e consome mais memória do que um hardware pequeno pode suportar. A quantização arredonda esses pesos para números muito menores, normalmente inteiros de 8 bits, reduzindo o modelo a aproximadamente um quarto do tamanho em troca de alguma precisão. O laboratório Shrinker do Laboratório de IA faz isso em um modelo real treinado, para que a troca entre tamanho e precisão seja um resultado que você vê, não um parágrafo que lê.
O que é TinyML?
TinyML é machine learning executado em hardware pequeno e de baixo consumo — um microcontrolador ou computador de placa única — em vez de um servidor ou telefone, o que significa que o modelo precisa ser reduzido primeiro. Os laboratórios Shrinker e Chip do Laboratório de IA abrangem exatamente esse processo: quantizar uma rede treinada e depois executar inferência int8 genuína no resultado, antes de a Bancada Raspberry Pi do app avançar para a parte de conexões físicas dos projetos embarcados.
Posso aprender a programar Raspberry Pi sem ter um Raspberry Pi?
Sim. A Bancada Raspberry Pi do Laboratório de IA é uma simulação 3-D detalhada de um Pi Pico: você adiciona componentes virtuais, conecta-os e escreve Python de verdade com a biblioteca gpiozero em um editor integrado, sem precisar comprar ou arriscar uma placa. Cinco projetos iniciais vão desde o primeiro LED piscando até um LED acionado por botão e o efeito Knight Rider com cinco LEDs. O Python que você escreve pode ser usado diretamente se depois montar o projeto com um Raspberry Pi real.
O que é gpiozero e por que o app o utiliza?
gpiozero é uma biblioteca Python que encapsula os pinos GPIO de um Raspberry Pi em objetos e métodos simples — acender um LED exige uma única linha, em vez de uma gravação de baixo nível em um registrador — e é por isso que costuma ser o ponto de partida para eletrônica com Pi. A Bancada do Laboratório de IA usa a mesma biblioteca na simulação, então conectar um LED, um botão ou uma campainha no app funciona da mesma forma que no hardware real.
O Laboratório de IA é gratuito?
Sim. O Laboratório de IA é gratuito para baixar na App Store e no Google Play, e seus três primeiros mundos de lições — de um único neurônio, passando pela descida do gradiente, até redes multicamadas — além de todos os laboratórios 3-D e da Bancada Raspberry Pi completa, são gratuitos. O AI Lab Pro desbloqueia o restante do currículo de lições e remove os anúncios. O app tem classificação 4+ e a versão atual é 1.2.0.
Preciso ter conhecimentos de matemática ou programação para começar?
Não. O Laboratório de IA começa explicando o que é um neurônio — alguns números multiplicados por pesos, somados a um viés e passados por uma ativação — antes de qualquer código aparecer, e desenvolve uma ideia de cada vez, com um questionário encerrando cada lição curta. A Bancada Raspberry Pi apresenta Python por meio do gpiozero gradualmente, projeto a projeto, sem pressupor experiência anterior em programação.
O mecanismo de rede neural do Laboratório de IA é igual ao TensorFlow ou ao PyTorch?
Não, e o app deixa isso claro. O mecanismo de treinamento do Laboratório de IA é uma implementação pequena e determinística, criada do zero especificamente para treinar instantaneamente e continuar totalmente explicável para aprendizado e visualização — não é um framework de machine learning para produção. As ideias que ele ensina — neurônios, pesos, perda, descida do gradiente e quantização — são as mesmas usadas pelo TensorFlow ou pelo PyTorch em uma escala muito maior.
Ele está disponível para iPhone e Android, e qual é o nome em cada loja?
Neural Nets & Raspberry Pi funciona no iOS pela App Store e no Android pelo Google Play, com interface em 10 idiomas e classificação etária 4+. O app se chama AI Lab nas telas e no ícone; a App Store o lista como AI Lab: Neural Networks & IoT, e o Google Play o lista como Neural Nets & Raspberry Pi. É o mesmo app nas duas plataformas.
Comece agora
Veja uma rede neural aprender e depois coloque-a em um chip
Gratuito no iOS e no Android — de neurônios e descida do gradiente a um Raspberry Pi Pico conectado.
Mais da CoddyKit
Disponível em iOS e Android.