Feedforward-neuronale Netzwerke

Ein Feedforward-neuronales Netzwerk ist die einfachste Art eines künstlichen neuronalen Netzwerks. In dieser Architektur fließen die Daten in eine Richtung – von der Eingabeschicht zur Ausgabeschicht –, ohne zurückzulaufen.

Aufbau eines Feedforward-neuronalen Netzwerks

Feedforward-Netzwerke bestehen aus:

• Eingabeschicht: Empfängt die Rohdaten.
• Verborgene Schichten: Führen Berechnungen durch und extrahieren Merkmale.
• Ausgabeschicht: Erzeugt das endgültige Ergebnis.

Jede Schicht ist vollständig mit der nächsten verbunden.

Forward Propagation

Forward Propagation bezeichnet den Vorgang, bei dem Daten durch das Netzwerk geleitet werden:

1. Eingaben werden mit Gewichten multipliziert und zu Bias-Werten addiert.
2. Aktivierungsfunktionen werden angewendet, um Nichtlinearität einzuführen.
3. Die Ausgabe wird berechnet und an die nächste Schicht weitergegeben.

Ein einfaches Feedforward-Netzwerk erstellen

Erstellen wir mit Python ein einfaches Feedforward-Netzwerk. Das Netzwerk umfasst:

• 2 Eingabeneuronen
• 1 verborgene Schicht mit 3 Neuronen
• 1 Ausgabeneuron

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

Ein Feedforward-neuronales Netzwerk trainieren

Beim Training werden Gewichte und Bias-Werte angepasst, um den Fehler zu minimieren:

1. Berechnen Sie den Fehler (die Differenz zwischen den vorhergesagten und den tatsächlichen Werten).
2. Verwenden Sie Optimierungsalgorithmen wie den Gradientenabstieg, um die Gewichte zu aktualisieren.
3. Wiederholen Sie den Vorgang für mehrere Iterationen (Epochen).

Vorteile von Feedforward-Netzwerken

Feedforward-Netzwerke sind:

• Einfach und leicht zu implementieren.
• Effektiv für Aufgaben wie Regression und grundlegende Klassifikation.
• Für kleine Datensätze recheneffizient.

Grenzen von Feedforward-Netzwerken

Feedforward-Netzwerke haben einige Nachteile:

• Sie haben kein Gedächtnis für sequenzielle Daten.
• Bei kleinen Trainingsdaten neigen sie zu Overfitting.
• Hyperparameter wie die Lernrate müssen sorgfältig abgestimmt werden.

Anwendungen in der Praxis

Feedforward-Netzwerke werden eingesetzt für:

• Medizinische Diagnose: Vorhersage von Krankheiten anhand von Symptomen.
• Betrugserkennung: Identifizierung verdächtiger Aktivitäten in Finanztransaktionen.
• Aktienkursprognose: Schätzung zukünftiger Aktienwerte.

Zusammenfassung und nächste Schritte

In dieser Lektion haben wir:

• Den Aufbau und die Funktionsweise von Feedforward-neuronalen Netzwerken untersucht.
• Mit Python ein einfaches Feedforward-Netzwerk erstellt.
• Die Vorteile und Grenzen dieser Architektur besprochen.

Als Nächstes beschäftigen wir uns mit dem Backpropagation-Algorithmus, der neuronalen Netzwerken ermöglicht, durch die Optimierung von Gewichten und Bias-Werten effektiv zu lernen.