Konvolution: Kernel gleiten über Pixel
Wie Filter Kanten und Texturen erkennen.
Konvolution: Kernel gleiten über Pixel ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
An Image Is Just Numbers
To a network, a photo is a grid of pixel values. A small grayscale image might be 28x28 numbers, each from 0 (black) to 255 (white).
Why Not Just Flatten It?
Flattening an image into one long vector throws away the spatial layout. Pixels near each other matter, and a plain dense layer ignores that.
Meet the Kernel
A kernel is a tiny grid of weights, often 3x3. It slides across the image, looking at one small patch at a time.
The Sliding Window
At each position the kernel covers a patch, multiplies overlapping values, and sums them into one number. Then it slides over and repeats. 🔍
That Sum Is the Output Pixel
Each weighted sum becomes a single pixel in the result. Slide across the whole image and you build a fresh grid called a feature map.
Kernels Detect Patterns
A well-tuned kernel lights up where its pattern appears. One kernel might fire on vertical edges, another on bright corners or smooth textures.
An Edge Detector by Hand
This classic 3x3 kernel responds strongly to vertical edges, where light meets dark across a column.
edge_kernel = [
[-1, 0, 1],
[-1, 0, 1],
[-1, 0, 1],
]The Weights Are Learned
You do not hand-pick kernel numbers. Training adjusts them so each filter learns whatever pattern helps the network classify images.
Same Kernel, Everywhere
One kernel reuses the same weights across the whole image. This weight sharing means far fewer parameters than a dense layer would need.
A Conv Layer in PyTorch
nn.Conv2d wraps all of this. Here a Conv2d takes 1 input channel and learns 8 different 3x3 kernels.
import torch.nn as nn
conv = nn.Conv2d(1, 8, kernel_size=3)Many Kernels, Many Maps
That layer learns 8 kernels, so it outputs 8 feature maps. Each one highlights a different pattern the network found useful.
Quick Check
Let us check what a convolution kernel actually produces.
Recap: Kernels Slide
You learned that a kernel slides over pixels, summing weighted patches into a feature map. Its weights are learned, shared, and tuned to spot edges and textures. 🎉
Häufig gestellte Fragen
Ist die Lektion „Konvolution: Kernel gleiten über Pixel“ kostenlos?
Ja — der vollständige Text von „Konvolution: Kernel gleiten über Pixel“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Konvolution: Kernel gleiten über Pixel“?
Wie Filter Kanten und Texturen erkennen. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Konvolution: Kernel gleiten über Pixel“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Konvolution: Kernel gleiten über Pixel
- Stride, Padding und Pooling
- Channels, Feature Maps und rezeptive Felder
- Einen CNN-Bildklassifikator zusammensetzen