Shape Network 3D

Über das Projekt

Ein kleines neuronales Netz lernt, handgezeichnete Dreiecke, Rechtecke und Kreise zu erkennen. Training, Fehlerrückführung und Gewichtsanpassung laufen sichtbar als 3D-Szene ab. Danach zeichnest du selbst eine Form und siehst, wie das Netz sie einordnet.

Problem

Wie ein neuronales Netz lernt, bleibt meist unsichtbar. Hier sollen Vorwärtsdurchlauf, Fehler, Backpropagation und Gewichtsanpassung nachvollziehbar werden – an einem Netz, das wirklich trainiert.

Ansatz

• Das Netz ist ohne ML-Bibliothek geschrieben: 100 Eingänge (10×10 Pixel), zwei ReLU-Schichten mit 16 und 10 Neuronen, Softmax-Ausgabe, Kreuzentropie und Adam.
• 270 synthetische, bewusst unsaubere Formen dienen als Trainingsdaten. Trainingsdaten und eigene Zeichnung durchlaufen dieselbe Funktion: zuschneiden, strecken, auf 10×10 Pixel rastern.
• Jeder Trainingsschritt ist in Phasen zerlegt, die auf einer pausierbaren Uhr laufen. Ein Beispiel wird im Detail gezeigt, gerechnet wird mit Mini-Batches aus 8 Beispielen.

Ergebnis

Ein Netz, das man anhalten, schrittweise durchgehen und mit eigenen Zeichnungen prüfen kann. Tests vergleichen die Gradienten mit numerischen Ableitungen und verlangen über 90 % Genauigkeit auf zurückgehaltenen Daten.