Angewandtes maschinelles Lernen und KI für Ingenieure

Kapitel 9. Neuronale Netze

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Maschinelles Lernen ist nicht schwer, wenn du mit einem gut aufbereiteten Datensatz arbeiten kannst. Der Grund dafür sind Bibliotheken wie Scikit-Learn und ML.NET, die komplexe Lernalgorithmen auf ein paar Codezeilen reduzieren. Auch Deep Learning ist nicht schwer, dank Bibliotheken wie dem Microsoft Cognitive Toolkit (CNTK), Theano und PyTorch. Aber die Bibliothek, auf die sich der Großteil der Welt geeinigt hat, um neuronale Netze zu erstellen, ist TensorFlow, ein Open-Source-Framework von Google, das 2015 unter der Apache License 2.0 veröffentlicht wurde.

TensorFlow ist nicht auf den Aufbau neuronaler Netze beschränkt. Es ist ein Framework für die Durchführung schneller mathematischer Operationen in großem Maßstab unter Verwendung von Tensoren, die verallgemeinerte Arrays sind. Tensoren können skalare Werte (0-dimensionale Tensoren), Vektoren (1D-Tensoren), Matrizen (2D-Tensoren) und so weiter darstellen. Ein neuronales Netz ist im Grunde ein Arbeitsablauf zur Umwandlung von Tensoren. Das in Kapitel 8 vorgestellte dreischichtige Perzeptron nimmt einen 1D-Tensor mit zwei Werten als Eingabe, wandelt ihn in einen 1D-Tensor mit drei Werten um und erzeugt einen 0D-Tensor als Ausgabe. Mit TensorFlow kannst du gerichtete Graphen definieren, die wiederum festlegen, wie die Tensoren berechnet werden. Und im Gegensatz zu Scikit ...