Vorhersagen in einem Neuralen Netzwerk
Eine Vorhersage in einem Neuralen Netzwerk ist das Ergebnis der Verarbeitung von Eingabedaten durch das Netzwerk.
Neurale Netzwerke bestehen aus mehreren Schichten von Neuronen, die jeweils eine gewichtete Summe ihrer Eingaben berechnen und durch eine Aktivierungsfunktion leiten.
Trainierbare Werte
Ein Neurale Netzwerk hat Trainierbare Werte wie Gewichte und Bias-Werte. Diese Werte werden während dem Training des Neuralen Netzwerks optimiert, wodurch das Netzwerk Muster in Eingabedaten erkennen und darauf eine trainierte Antwort liefern kann. Was die Gewichte und Bias-Werte in einem Neuralen Netzwerk bewirken wird unten genauer erklärt.
Gewichte(Weights)
Gewichte (Weights) sind Werte, die angeben, wie wichtig die Daten eines Neurons für die darauf folgenden Neuronen sind. Durch das Training werden die Gewichte in einem Neuralen Netzwerk optimiert, wodurch sie aussagekräftiger werden und somit dem Netzwerk genauer mitteilen können, wie wichtig die Daten eines Neurons für die nächsten Neuronen sind.
Jede Verbindung zwischen zwei Neuronen hat jeweils ein eigenes Gewicht.
Bias-Werte
Wenn die Summe der gewichteten Eingaben dazu führt, dass die Aktivierungsfunktion das Neuron nicht Aktiviert, dann werden die Daten dieses Neurons nicht an die nächste Schicht weitergegeben. Ein Neuron ist aktiviert, wenn die Ausgabe der Aktivierungsfunktion nicht null ist.
Um die Wahrscheinlichkeit zu senken, dass ein Neuron nicht aktiviert wird, wird ein konstanter Bias-Wert zu der gewichteten Summe dazu gerechnet. Der Bias-Wert wird durch das Training des Neuralen Netzwerks optimiert, um die Flexibilität und die Lernfähigkeit des Netzwerks zu erhöhen.
Vorhersagen
Der Vorhersageprozess ist eine große mathematische Berechnung, die durch Schichten unterteilt ist.
- Eingabeschicht
- Verborgene Schichten
- Ausgabeschicht
Berechnung der Eingabeschicht
In der Eingabeschicht wird nichts berechnet. Diese Schicht hat nur die Eingabedaten für das Netzwerk. Diese Eingabedaten werden dann direkt an die nächste Schicht weitergegeben.
Berechnung der Verborgenen Schichten
In einem Neuralen Netzwerk können mehrere Verborgene Schichten verwendet werden. Um die Ausgabe einer Verborgenen Schicht zu berechnen muss, folgendes berechnet werden:
- Summe der gewichteten Eingaben
- Bias-Wert zu der Summe der gewichteten Eingaben dazurechnen
- Die Summe der gewichteten Eingaben mit dem Bias in die Aktivierungsfunktion geben.
y1 und y2 sind die Ausgaben der Neuronen dieser Schicht. Diese Ausgaben werden dann an die nächste Schicht weitergegeben entweder an eine weitere Verborgene Schicht oder an die Ausgabeschicht
Berechnung der Ausgabeschicht
Die Ausgabeschicht bringt die finale Ausgabe des Netzwerks in das benötigte Format. Die Berechnung funktioniert genauso wie die Berechnung der Verborgenen Schicht. Hierbei ist es nicht unbedingt nötig, die Aktivierungsfunktion zu berechnen. Je nach Anwendungsfall kann die Aktivierungsfunktion berechnet werden, um die Ausgabe in ein passendes Format zu bringen. Um die Ausgabe des Netzwerks zu berechnen muss folgendes berechnet werden:
- Summe der gewichteten Eingaben
- Bias-Wert zu der Summe der gewichteten Eingaben dazurechnen
- Die Summe der gewichteten Eingaben mit dem Bias in die Aktivierungsfunktion geben (Je nach Anwendungsfall Optional)
y3 ist dann die berechnete Ausgabe oder auch Vorhersage des Neuralen Netzwerks.