CNN Training interaktiv im Browser
https://iludis.de/CNN_sim/CNN_sim.html
Datensätze:
- https://iludis.de/CNN_sim/digits_1_3_5_7.csv
- https://iludis.de/CNN_sim/digits_2_4_6_8.csv
- https://iludis.de/CNN_sim/mnist_train_800.csv
CNN-Theorie
https://iludis.de/Tools/cnn-labor-Teil1_faltung.html
Grundlagen des Faltungskernels
https://iludis.de/Tools/cnn-labor-Teil2_pipeline.html
Visualisierung der CNN-Pipeline
Conv2D-Parameter-Explorer
Wie setzen sich CNN-Netze zusammen?
Berechnung trainierbare Parameter
Interaktive Simulation der Parameteranzahl für CNN-Netze
Visualisierung Rezeptives Feld
Was sieht ein CNN-Netz und wie berechnet man das?
CNN für die Mittelstufe
Unterrichtsidee
Erprobt im Hector-Unterricht Kurs ‚ML für Mikrocontroller‘ und Inf-AG.
1. Bitmap erstellen
Klicke auf die schwarze Fläche und erstelle ein Bitmap
in Form einer 1D-Liste. Diese kann in die Zwischenablage
kopiert werden.
2. Jupyter-Notebook für Bitmaps aus 1D-Arrays
Aus den obigen Bitmaps mit numpy und OpenCV
einfach Bitmaps erstellen:
https://iludis.de/bitmapMaker/Simple_Bitmaps.ipynb
3. Grayscale-Bitmap im MNIST-Format erstellen.
Erstelle ein 255-Graustufen-Bild mit 28×28 Pixeln,
exportiere dessen Werte per Knopfdruck in die
Zwischenablage und füge sie ins Conv2D-Applet ein:
4. Optimale Convolution-Kernel entwickeln.
Wie in einem CNN: Teste verschiedene Convolution
Kernel aus, berechne ein MaxPooling(2,2) und finde
heraus, welche Pixelmuster man so bestimmen kann.
