Künstliche Neuronale Netze (KNN)
Unterschiede der modernen Architekturen
Hinweis
Die Gewichte spielen eine wichtige Rolle bei der Ausbreitung des Signals im Netz. Sie enthalten das Wissen des neuronalen Netzes über die Eingabe-Ausgabe-Beziehung.
Sowohl die Anzahl der versteckten Schichten als auch die Anzahl der Neuronen bestimmen die Komplexität des Modells und sind wichtige zu wählende Parameter bei der Entwicklung eines KNNs. Ziel des KNN-Trainings ist es, die Fehler zwischen den gewünschten Zielwerten und den vom Modell berechneten Werten zu minimieren.
Bei einfachen neuralen Netzen sind alle Neuronen einer Schicht vollständig mit den Neuronen der darauffolgenden Schicht verbunden. Die Informationen fließen dabei nur in eine Richtung. Moderne Architekturen, mit sehr vielen verborgenen Schichten (tiefe neuronale Netze), weichen hiervon ab, da sonst die Anzahl der zu trainierenden Parameter exponentiell ansteigen würde.