CNN-Binärlabor
Kleines konvolutionales neuronales Netz für zweiklassige Bildklassifikation mit Filter- und Feature-Map-Visualisierung.
Diese Seite trainiert ein kompaktes CNN: Conv(3x3) -> ReLU -> Flatten -> Dense -> ReLU -> Dense -> Softmax.
Eingabebilder werden in Graustufen umgewandelt und auf 32x32 skaliert, sodass jedes Sample vor der Faltung ein 1024-dimensionaler Vektor ist.
Binäre Labels werden auf Klassenwahrscheinlichkeiten abgebildet: P(Klasse 1) und P(Klasse 2).
Das Netzwerk wird mit Kreuzentropie über zwei Klassen optimiert:
$$ L = -\frac{1}{N}\sum_{i=1}^{N}\sum_{c=1}^{2} y_{ic}\log(\hat{y}_{ic}) $$
Nutze eine niedrigere Lernrate für stabile Konvergenz oder eine höhere für schnellere, aber verrauschtere Updates.
- Lade Demo-Katzen/Hunde-Bilder oder lade eigene Dateien in jede Klassenkategorie hoch.
- Initialisiere Gewichte, führe einige Epochen aus und beobachte Verlust und Genauigkeit.
- Prüfe Filterwerte und Feature-Maps, um zu verstehen, was die erste Conv-Schicht erfasst.
- Lade ein Testbild hoch und untersuche die Klassenwahrscheinlichkeiten.
Trainingsbilder
Hochgeladene Bilder werden vor dem Training auf 32x32 Graustufen skaliert.
Bilder werden geladen...