Ein neuronales Netzwerk bezieht sich auf ein Rechenmodell, das von der Struktur und Funktionsweise biologischer neuronaler Netzwerke im menschlichen Gehirn inspiriert ist. Es besteht aus miteinander verbundenen Knoten, sogenannten Neuronen, die in Schichten organisiert sind. Jedes Neuron verarbeitet Eingabedaten, wendet Gewichtungen und Verzerrungen an und leitet das Ergebnis durch eine Aktivierungsfunktion, um eine Ausgabe zu erzeugen. Neuronale Netze sind darauf ausgelegt, durch iterative Anpassungen von Gewichten aus Daten zu lernen und so Muster zu erkennen, Vorhersagen zu treffen oder Aufgaben wie Klassifizierung und Regression auf der Grundlage erlernter Muster auszuführen.
Ein Beispiel für ein neuronales Netzwerk ist ein Feedforward-Neuronales Netzwerk, das zur Bildklassifizierung verwendet wird. In diesem Szenario umfasst das neuronale Netzwerk eine Eingabeschicht, die Pixelwerte eines Bildes empfängt, verborgene Schichten, die Berechnungen und Merkmalsextraktion über gewichtete Verbindungen durchführen, und eine Ausgabeschicht, die die Klassenbezeichnung des Bildes vorhersagt (z. B. Katze oder Hund). Durch das Training mit beschrifteten Bildern lernt das Netzwerk, Merkmale wie Kanten, Texturen und Formen zu identifizieren, was eine genaue Klassifizierung neuer, unsichtbarer Bilder basierend auf erlernten Mustern ermöglicht.
Ein Convolutional Neural Network (CNN) ist ein spezieller Typ eines neuronalen Netzwerks, das für die Verarbeitung strukturierter gitterartiger Daten wie Bilder entwickelt wurde. CNNs umfassen Faltungsschichten, die Filter auf Eingabedaten anwenden und räumliche Hierarchien und Merkmale wie Kanten und Texturen extrahieren. Auf diese Ebenen folgen Pooling-Ebenen, die Feature-Maps heruntersampeln, um die räumlichen Abmessungen zu reduzieren und gleichzeitig wesentliche Informationen beizubehalten. CNNs werden häufig bei Aufgaben wie Bilderkennung, Objekterkennung und Bildsegmentierung eingesetzt, da sie in der Lage sind, Muster in visuellen Daten mit hoher Genauigkeit und Effizienz automatisch zu lernen und zu identifizieren.
Beim Deep Learning bezieht sich ein Neuron auf eine grundlegende Einheit innerhalb eines neuronalen Netzwerks, die Berechnungen anhand von Eingabedaten durchführt. Jedes Neuron empfängt Eingabesignale, wendet Gewichtungen und Bias auf diese Eingaben an, berechnet eine gewichtete Summe und leitet das Ergebnis dann durch eine Aktivierungsfunktion, um eine Ausgabe zu erzeugen. Neuronen sind in Schichten innerhalb neuronaler Netze organisiert, wobei jede Schicht Datendarstellungen verarbeitet und transformiert, um immer abstraktere Merkmale zu erfassen. Neuronen in Deep-Learning-Modellen, einschließlich CNNs, spielen eine entscheidende Rolle beim Lernen und Darstellen komplexer Beziehungen und Muster in Daten und ermöglichen es dem Netzwerk, Vorhersagen oder Entscheidungen auf der Grundlage erlernten Wissens zu treffen.