![\"\"](\"https:\/\/iludis.de\/wp-content\/uploads\/2026\/06\/Neues-Projekt.png\")
<\/a><\/p>\nhttps:\/\/iludis.de\/CNN_sim\/CNN_sim.html<\/a><\/p>\n Datens\u00e4tze:<\/p>\n CNN-Theorie https:\/\/iludis.de\/Tools\/cnn-labor-Teil2_pipeline.html<\/a> Conv2D-Parameter-Explorer<\/a> Berechnung trainierbare Parameter<\/a> Visualisierung Rezeptives Feld<\/a> Unterrichtsidee<\/a><\/strong> 1. Bitmap erstellen 2. Jupyter-Notebook f\u00fcr Bitmaps aus 1D-Arrays 3. Grayscale-Bitmap im MNIST-Format erstellen. 4. Optimale Convolution-Kernel entwickeln.\n
\n
\n<\/strong>https:\/\/iludis.de\/Tools\/cnn-labor-Teil1_faltung.html<\/a>
\nGrundlagen des Faltungskernels<\/p>\n
\nVisualisierung der CNN-Pipeline<\/p>\n
\nWie setzen sich CNN-Netze zusammen?<\/p>\n
\nInteraktive Simulation der Parameteranzahl f\u00fcr CNN-Netze<\/p>\n
\nWas sieht ein CNN-Netz und wie berechnet man das?<\/p>\n
\nCNN f\u00fcr die Mittelstufe<\/h4>\n
\nErprobt im Hector-Unterricht Kurs ‚ML f\u00fcr Mikrocontroller‘ und Inf-AG.<\/p>\n
\n<\/strong>Klicke auf die schwarze Fl\u00e4che und erstelle ein Bitmap
\nin Form einer 1D-Liste. Diese kann in die Zwischenablage
\nkopiert werden.<\/p>\n![\"\"](\"https:\/\/iludis.de\/wp-content\/uploads\/2023\/05\/bitmapM.png\")
<\/a><\/p>\n
\n<\/strong>Aus den obigen Bitmaps mit numpy und OpenCV
\neinfach Bitmaps erstellen:
\nhttps:\/\/iludis.de\/bitmapMaker\/Simple_Bitmaps.ipynb<\/a><\/p>\n
\n<\/strong>Erstelle ein 255-Graustufen-Bild mit 28×28 Pixeln,
\nexportiere dessen Werte per Knopfdruck in die
\nZwischenablage und f\u00fcge sie ins Conv2D-Applet ein:<\/p>\n![\"\"](\"https:\/\/iludis.de\/wp-content\/uploads\/2023\/05\/grayscale.png\")
<\/a><\/p>\n
\n<\/strong>Wie in einem CNN: Teste verschiedene Convolution
\nKernel aus, berechne ein MaxPooling(2,2) und finde
\nheraus, welche Pixelmuster man so bestimmen kann.<\/p>\n
![\"\"](\"https:\/\/iludis.de\/wp-content\/uploads\/2023\/05\/conv2d.png\")
<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"