Feedforward-neuronale Netze

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

Aufbau eines Feedforward-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.

Vorwärtspropagation

Vorwärtspropagation bezeichnet den Prozess, 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.

Erstellen eines einfachen Feedforward-Netzwerks

Erstellen wir ein einfaches Feedforward-Netzwerk mit Python. 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)

Trainieren eines Feedforward-neuronalen Netzes

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 Klassifizierung.
• rechenzeiteffizient bei kleinen Datensätzen.

Einschränkungen von Feedforward-Netzwerken

Feedforward-Netzwerke haben einige Nachteile:

• Keine Speichermöglichkeit für Sequenzdaten.
• Sie neigen bei kleinen Trainingsdatenmengen zu Overfitting.
• Hyperparameter wie die Lernrate müssen sorgfältig abgestimmt werden.

Anwendungen in der Praxis

Feedforward-Netzwerke werden eingesetzt für:

• Medizinische Diagnose: Krankheiten anhand von Symptomen vorhersagen.
• Betrugserkennung: Verdächtige Aktivitäten in Finanztransaktionen identifizieren.
• Aktienkursprognose: Zukünftige Aktienwerte schätzen.

Zusammenfassung und nächste Schritte

In dieser Lektion haben wir:

• den Aufbau und die Funktionsweise von Feedforward-neuronalen Netzen untersucht.
• ein einfaches Feedforward-Netzwerk mit Python erstellt.
• die Vorteile und Einschränkungen dieser Architektur besprochen.

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