Lernen lässt sich als einfacher Vorher-Nachher-Vergleich darstellen. Dem Netzwerk wird dieselbe Eingabe zugeführt, doch die Ausgabe ändert sich nach dem Training – eine Veränderung, die sich anhand eines Fehlerwerts messen lässt.
In dieser Lektion werden eine konkrete Definition von Lernen sowie die Trainingsschleife eingeführt, mit der Sie sich in späteren Lektionen näher befassen werden.
Zu Beginn liefert ein neuronales Netz meist instabile Vorhersagen, da seine Parameter zunächst aus kleinen Zufallswerten bestehen. Speist man dieselbe Eingabe zweimal unverändert in denselben Code ein, bleibt die Ausgabe gleich – auch wenn sie durchgehend falsch sein mag.
Nach einer gewissen Trainingsdauer bleibt die Eingabe zwar unverändert, doch die Vorhersage nähert sich oft dem korrekten Label an, da die Gewichte in der Zwischenzeit aktualisiert wurden. Dies ist das wesentliche, beobachtbare Verhalten, das Sie überprüfen können, noch bevor Sie sich mit der zugrundeliegenden Theorie beschäftigen.
Nutzen Sie das interaktive Klassifizierungsbeispiel, um die anfänglichen Zufallsschätzungen mit der Genauigkeit nach mehreren Aktualisierungsschritten zu vergleichen.
Die Veränderung resultiert aus einer expliziten Messung. Das Netzwerk liefert eine Vorhersage , die mit einem Zielwert verglichen wird; daraus berechnet man eine Fehlermetrik, die schlechteren Vorhersagen einen höheren und besseren Vorhersagen einen niedrigeren Wert zuweist.
Das Training umfasst einen Aktualisierungsschritt, der die Parameter so anpasst, dass die nächste Vorhersage bei ähnlichen Beispielen tendenziell einen geringeren Fehler aufweist. Lernen ist weder ein Zustand noch ein bloßes Merkmal. Es ist ein wiederkehrender Prozess, bei dem sich Parameterwerte ändern, weil der gemessene Fehler diese Anpassung veranlasst.
Untersuchen Sie, wie die Begriffe im Zusammenspiel von Parametern, Vorhersagen, Zielwerten, Fehlermetrik und Aktualisierungsschritt miteinander verknüpft sind.