Wie funktioniert ein neuroales Netz wirklich?
Mir geht es hier im speziellen darum, wie die Input-Nodes funktionieren.
Angenommen ich will ein neuronales Netz dahingehend trainieren Gesichter zu erkennen.
Wie genau trainieren sich diese Input-Nodes? Sind es technisch gesehen nur if else Verzweigungen die anhand zig tausender Trainingsbilder erstellt werden? Die Nodes wissen ja nur anhand der Trainings-Pixel Daten wie ungefähr ein Gesicht auszusehen hat. Lässt sich letztendlich sagen, dass KI nur automatisch generierte if else Verzweigungen sind?
(1 votes)
Loading...
Ne. Ein neuronales Netz ist eine komplizierte funktion die sich aus mehreren kleineren funktionen (layers) zusammensetzt die sich wieder aus kleineren Funktionen (neurons oder nodes) zusammensetzt die wiederum aus kleineren Funktionen bestehen. Jede der kleinen Funktionen hat Parameter. Wenn du als input die schwarz-weiß werte eines Bildes nimmst, werden diese pixelwerte dann mit diesen parametern multipliziert und addiert. Um als output des neuronales netzwerkes die Wahrscheinlichkeiten für die Bildklassifizierung zu bekommen müssen die Parameter genau die richtigen Werte haben. Dazu benutzt man einen Algorithmus names Backpropagation der gradient descent benutzt um die parameter jeder Layer in jedem Durchlauf der Trainingsdaten ein kleines bisschen besser einzustellen.
Man merkt kaum, dass ich von neuronalen Netzen überhaupt keine Ahnung habe, oder? Danke für die Antwort.
jeder fängt mal an
das mit den if else ist nicht soo falsch. Ein neuronales netzwerk dann das Verhalten von if verzweigungen erlernen.
Die Input nodes trainieren sich garnicht. Das sind einfach inputs. Jeder Pixel von deinem bild ist ein Input Node.
Wenn du einen Decision Tree machst, dann vielleicht. Ansonsten absolut nicht. Du hast mehrere Rechnungen durch jedes Neuron, plus den Bias zwischen jedem Neuron.
Anhand deiner Frage solltest du aber eher die Basics erlernen, sonst würdest du sowas nich fragen