Interaktive KI-Demo

8×8 Zahlenerkennung –
Schritt für Schritt

Zeichne eine Zahl links, trainiere das Modell und beobachte in Echtzeit, wie ein neuronales Netz lernt, Muster zu erkennen.

Eingabe-Matrix
11550
Bereit. Zeichne eine Zahl oder starte das Auto-Training.
0
Durchläufe
0
Aktive Pixel
0.0
Bias
Was passiert hier?

Deine Zeichnung wird als Liste aus 64 Werten (0 oder 1) gespeichert und an die KI weitergegeben. Das ist die Eingabeschicht.

Grundformel
Score = Summe(Eingabe × Gewicht) + Bias Für jede Zahl 0–9 gibt es ein eigenes Gewichtsmuster mit 64 Gewichten. → Die Zahl mit dem höchsten Score gewinnt.
Was bedeutet Lernen?
  • Die Zielzahl wird an aktivierten Pixeln verstärkt.
  • Die fälschlich bevorzugte Zahl wird abgeschwächt.
  • Mit mehreren Beispielen werden Pixelmuster stabiler.
Schritt-für-Schritt
1. Eingabepixel einlesen
2. Mit Gewichten multiplizieren
3. Bias addieren
4. Scores vergleichen
5. Beste Zahl ausgeben
Netzwerk
?
Erkanntes Ergebnis
Noch keine Berechnung.
Scores aller Zahlen
Gewichtungsmatrix
Noch keine Zahl gewählt.
Warum große Modelle so viel größer sind
Grafischer Größenvergleich
Demo-Eingabe 64 Werte Demo-Gewichte 640 Gewichte Mittleres Modell ~ Millionen Großes Modell Milliarden
64 Pixel = Eingabe 640 = kleine Lernstruktur Milliarden = große Modelle
Matrix-Beispiel

Eine 4×4-Matrix aus Gewichten:

0.8-0.20.40.1 0.30.7-0.50.2 -0.10.60.9-0.3 0.50.20.10.8

Jede Zeile/Spalte enthält Werte, mit denen Eingaben multipliziert und addiert werden – so entsteht ein Rechenschritt.

Was sind Matrix und Schichten?

In dieser Demo ist die Eingabe ein 8×8 = 64 Werte großes Raster. Eine Matrix ist eine Zahlentabelle, die bestimmt, wie stark jeder Eingabewert mitwirkt. Eine Schicht ist ein kompletter Rechenschritt.

Beispiel: Schichten eines Modells
Schicht 1
Liest die Eingabe ein, erkennt erste einfache Muster
Schicht 2
Kombiniert diese Muster weiter
Schicht 3
Bildet daraus noch komplexere Zusammenhänge
Ausgabe
Liefert das finale Ergebnis
Unterschied zu diesem 8×8-Beispiel

Hier sind es 64 Eingaben, 10 Ausgaben und wenige Gewichte. Ein großes Sprachmodell hat viele Schichten und riesige Matrizen – jede verbindet sehr viele Werte mit sehr vielen anderen. Genau dadurch entstehen Millionen oder Milliarden von Gewichten.

Begriffslexikon
MatrixGeordnete Tabelle aus vielen Zahlen
GewichtWie stark ein Eingabewert einfließt
BiasEin zusätzlicher Grundwert pro Klasse
SchichtEin Rechenschritt, Werte fließen weiter
ScoreBerechneter Wert für eine Zahl/Antwort
EingabeDie Werte, die vorne hineingehen
Was gespeichert und weitergegeben wird
Was weitergegeben wird

Wenn du eine Zahl malst, entsteht eine Folge aus 64 Werten (0 oder 1). Genau diese Werte gehen an die Rechenlogik.

Eingabevektor aus 8×8-Raster

Das ist also die eigentliche Eingabe: keine fertige '7', sondern ein Muster aus vielen kleinen 0/1-Werten.

Was gespeichert wird

Beim Lernen speichert das Modell Gewichte und Bias-Werte.

640
Gewichte
10 × 64 Werte
10
Bias-Werte
pro Zahl einer
0
Durchläufe
Trainingsstand
Beispiel-Save als JSON
{
  "inputSize": 64,
  "classes": 10,
  "biases": [ ... 10 Werte ... ],
  "weights": [
    [ ... 64 Werte für 0 ... ],
    [ ... 64 Werte für 1 ... ],
    ...
    [ ... 64 Werte für 9 ... ]
  ]
}
Optisch: Was läuft wohin?
1. Raster
8×8 Felder
→
2. Weitergabe
64 Werte
0 oder 1
→
3. Gespeicherte Logik
Gewichte + Bias
→
4. Ergebnis
noch offen
Aktuelle Eingabe & gelernte Werte
Aktuelle 8×8-Eingabe
Bias-Werte
Gewichte (Ausschnitt)
Kurz zusammengefasst

Weitergegeben wird bei jeder Berechnung dein aktuelles Pixelmuster.
Gespeichert werden die gelernten Gewichte, Bias-Werte und der Trainingsstand.

Das Gelernte ist kein Screenshot, kein Bild, kein Text – sondern eine Sammlung von Zahlenwerten, die beschreiben, wie das Modell rechnen soll.