⚙️ Simulatore: Architettura Completa di una CNN
Input (12×12) → Conv → Pool → FC → Softmax
IMMAGINE DI INPUT DEL PIPELINE (12×12)
🎯 Addestramento (Forward Pass + Retropropagazione)
Input ▸ Conv+ReLU ▸ Pool ▸ Flatten ▸ FC ▸ Softmax ▸ Previsione
Perdita ◂ Ottimizzatore ◂ Retropropagazione ◂ (a ogni passo)
PERDITA (LOSS)
ACCURATEZZA
Loss: —
Accuratezza: —
Passo di addestramento: 0
I kernels e i pesi iniziano casuali (non sono più i filtri fissi del simulatore precedente). A ogni passo, la rete esegue il forward pass sulle 3 immagini, calcola la perdita (cross-entropy) e a accuratezza (quante delle 3 immagini sono classificate correttamente), retropropaga l'errore e regola tutti i pesi (inclusi i kernels della convoluzione) tramite discesa del gradiente. ⚠️ Poiché il "set di addestramento" ha solo 3 esempi, ciò dimostra il meccanismo dell'addestramento (perdita in calo, accuratezza in aumento, pesi che cambiano) — non la capacità di generalizzare a immagini nuove, che richiederebbe molti più dati.
Descrizione: Figura 9.11: Simulatore interattivo dell’architettura di una CNN: scegli una delle immagini di ingresso 12×12 (casa, viso felice o triste), clicca su ciascun blocco del pipeline — Ingresso, Conv+ReLU , Pooling , Flatten , FC e Softmax — ed esegui passi di addestramento reali ( forward pass + retropropagazione) per osservare la perdita e l’accuratezza evolversi, i kernel essere regolati e il Softmax iniziare a puntare alla classe corretta.