Neuronale Netze

Der Grundaufbau neuronaler Netze ist immer gleich. Allerdings können Anwender durchaus spezifizieren, wie komplex ein solches Modell funktionieren soll. Das richtet sich nach der Zahl der Hidden Layer und der Zahl der Neuronen in diesen Layern. Convolutional Neural Networks (CNNs) eignen sich vor allem zur Analyse von räumlich angeordneten Daten wie beispielsweise Bildern oder Videos. Hier kommen unterschiedliche Typen von Layern zum Einsatz. Die Convolutional Layer überprüfen bestimmte Bereiche des Inputs anhand eines bestimmten Filters, zum Beispiel Farbe oder Helligkeit. In der Folge verwerfen sogenannte PoolingLayer überflüssige Informationen und komprimieren somit die zu verarbeitende Informationsmenge. In Recurrent Neural Networks (RNNs) sind die Neuronen in geschlossenen Kreisen organisiert. Das bedeutet, Outputs werden an die gleichen Neuronen als Input zurückgespielt. Daher eignet sich diese Architektur vor allem dafür, zeitlich aufeinanderfolgende Informationen wie etwa Zeitdatenreihen und Sprache zu verarbeiten. Generative Adversarial Networks (GANs) bestehen aus zwei neuronalen Netzwerken. Eines ist ein umgedrehtes CNN, ein sogenanntes Deconvolutional Neural Network, das anhand bestimmter Merkmale Inhalte erstellt – Bilder oder Texte zum Beispiel. Das Gegenüber ist ein klassisches CNN, das nun herausfinden soll, ob der zu untersuchende Input echt ist oder vom Generator künstlich erschaffen wurde. Beide Bestandteile des GAN optimieren sich in einer Art Wettbewerb gegenseitig.