Convolutie: kernels schuiven over pixels
Hoe filters randen en texturen detecteren.
Convolutie: kernels schuiven over pixels is een gratis Deep Learning Academy-les op CoddyKit. Dit is les 1 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Deep Learning Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Deep Learning Academy bevat in totaal 4 lessen.
Een afbeelding bestaat uit getallen
Voor een netwerk is een foto een raster met pixelwaarden. Een kleine grijswaardenafbeelding kan bijvoorbeeld 28x28 getallen bevatten, elk van 0 (zwart) tot 255 (wit).
Waarom maken we er niet gewoon één vector van?
Als je een afbeelding omzet in één lange vector, gooi je de ruimtelijke indeling weg. Nabije pixels zijn belangrijk, en een gewone dichte laag negeert dat.
Maak kennis met de kernel
Een kernel is een klein raster met gewichten, vaak 3x3. De kernel schuift over de afbeelding en bekijkt steeds één klein gedeelte.
Het schuifvenster
Op elke positie bedekt de kernel een gedeelte, vermenigvuldigt hij overlappende waarden en telt hij die op tot één getal. Daarna schuift hij verder en herhaalt hij dit. 🔍
Die som is de uitvoerpixel
Elke gewogen som wordt één pixel in het resultaat. Als je over de hele afbeelding schuift, bouw je een nieuw raster dat een kenmerkenkaart wordt genoemd.
Kernels detecteren patronen
Een goed afgestelde kernel licht op waar zijn patroon voorkomt. De ene kernel reageert bijvoorbeeld op verticale randen, terwijl een andere heldere hoeken of vloeiende texturen detecteert.
Zelf een randdetector maken
Deze klassieke 3x3-kernel reageert sterk op verticale randen, waar licht en donker elkaar in een kolom raken.
edge_kernel = [
[-1, 0, 1],
[-1, 0, 1],
[-1, 0, 1],
]De gewichten worden geleerd
Je kiest de getallen van de kernel niet handmatig. Tijdens het trainen worden ze aangepast, zodat elk filter het patroon leert dat het netwerk helpt om afbeeldingen te classificeren.
Dezelfde kernel overal
Eén kernel hergebruikt dezelfde gewichten in de hele afbeelding. Door dit delen van gewichten zijn veel minder parameters nodig dan bij een dichte laag.
Een convolutionele laag in PyTorch
nn.Conv2d regelt dit allemaal. Hier neemt een Conv2d 1 invoerkanaal en leert hij 8 verschillende kernels van 3x3.
import torch.nn as nn
conv = nn.Conv2d(1, 8, kernel_size=3)Veel kernels, veel kenmerkenkaarten
Die laag leert 8 kernels en produceert dus 8 kenmerkenkaarten. Elke kaart benadrukt een ander patroon dat het netwerk nuttig vindt.
Korte controle
Laten we controleren wat een convolutionele kernel precies produceert.
Samenvatting: kernels schuiven
Je hebt geleerd dat een kernel over pixels schuift en gewogen gedeelten optelt tot een kenmerkenkaart. De gewichten worden geleerd, gedeeld en afgestemd om randen en texturen te herkennen. 🎉
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Convolutie: kernels schuiven over pixels” gratis?
Ja — de volledige tekst van “Convolutie: kernels schuiven over pixels” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Deep Learning Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Deep Learning Academy bevat in totaal 4 lessen.
Wat leer ik in “Convolutie: kernels schuiven over pixels”?
Hoe filters randen en texturen detecteren. Je oefent met Deep Learning Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Deep Learning Academy te beginnen?
Ervaring vooraf is niet nodig. Deep Learning Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 1 van 4.
Hoe lang duurt de les “Convolutie: kernels schuiven over pixels”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Deep Learning Academy?
Ja. Elke les over Deep Learning Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Convolutie: kernels schuiven over pixels
- Stride, padding en pooling
- Kanalen, featuremaps en receptive fields
- Een CNN-beeldclassificatiemodel samenstellen