Neuronales Netz (NN)

Ein neuronales Netz (NN) ist ein Berechnungsmodell, das aus miteinander verbundenen Knoten besteht und Informationen verarbeitet, indem es indem es die biologische Struktur des menschlichen Gehirns nachahmt. Als ein Eckpfeiler der modernen Künstlichen Intelligenz (KI), können diese Netzwerke sind in der Lage, aus Daten zu lernen, um Muster zu erkennen, Informationen classify und Ergebnisse vorherzusagen. Während sind sie eine Untergruppe des maschinellen Lernens (ML), zeichnen sich neuronale Netze durch ihre Fähigkeit aus, komplexe, nicht lineare Beziehungen zu modellieren, was sie zum Motor hinter bahnbrechenden Technologien wie generative KI und autonome Systeme. Sie können lesen mehr über die biologische Inspiration in diesem Überblick über neuronale Netze von IBM.

Architektur eines neuronalen Netzes

Die Struktur eines neuronalen Netzes besteht aus Schichten von Knoten, die oft als künstliche Neuronen bezeichnet werden. Diese Schichten erleichtern den Datenfluss von der Eingabe zur Ausgabe durch eine Reihe von mathematischen Transformationen.

• Eingabeschicht: Dies ist der Einstiegspunkt, an dem das Netzwerk Rohdaten Trainingsdaten erhält, wie z.B. Pixelwerte aus einem Bild oder numerische Merkmale aus einem Datensatz.
• Versteckte Schichten: Diese Schichten befinden sich zwischen der Eingabe und der Ausgabe und führen den Großteil der Berechnungen durch. Jedes Neuron in einer verborgenen Schicht wendet Modellgewichte und Verzerrungen auf die Eingaben, die es erhält. Um zu entscheiden, ob ein Neuron "feuern" oder ein Signal weiterleiten soll, wird eine Aktivierungsfunktion - wie z. B. ReLU oder Sigmoid -angewendet.
• Ausgangsschicht: Die letzte Schicht liefert die Vorhersage des Netzes, z. B. ein Klassifizierungsetikett (z. B. "Katze" vs. "Hund") oder einen kontinuierlichen Wert.

Um zu "lernen", verwendet das Netz einen Prozess namens Modelltraining. Während des Trainings vergleicht das Netz seine Vorhersagen mit den tatsächlich richtigen Antworten anhand einer Verlustfunktion. Ein Algorithmus, bekannt als Backpropagation, berechnet dann den Fehlergradienten, und ein Optimierungsalgorithmus wie stochastischer Gradientenabstieg (SGD) oder Adam passt die Gewichte an, um die Fehler über mehrere Epochen zu minimieren.

Neuronale Netze vs. Deep Learning

Neuronale Netze werden häufig verwechselt mit Deep Learning (DL). Der Hauptunterschied liegt in der Komplexität und Tiefe. Ein "seichtes" neuronales Netz kann nur eine oder zwei versteckte Schichten haben. Im Gegensatz dazu umfasst Deep Lernen "tiefe" neuronale Netze mit vielen verborgenen Schichten, die es dem Modell ermöglichen, hierarchische Merkmale automatisch zu lernen. Einen tieferen Einblick in diese Unterscheidung erhalten Sie in dieser Erklärung von Deep Learning von MIT News. Praktisch alle Deep Learning-Modelle sind neuronale Netze, aber nicht alle neuronalen Netze können als Deep Learning bezeichnet werden.

Anwendungsfälle in der Praxis

Neuronale Netze treiben die Innovation in praktisch jeder Branche voran, indem sie Aufgaben automatisieren, die früher menschliche Intelligenz erforderten. Intelligenz erforderten.

1. Computer Vision: Auf dem Gebiet der Computer Vision (CV), spezialisierte Netzwerke genannt Faltungsneuronale Netze (CNNs) verwendet, um visuelle Daten zu analysieren. Zum Beispiel, Ultralytics YOLO11 eine tiefe CNN-Architektur für die Objekterkennung in Echtzeit und ermöglicht Anwendungen, die von KI in der Landwirtschaft für die Ernteüberwachung Sicherheitsfunktionen in autonomen Fahrzeugen.
2. Verarbeitung natürlicher Sprache: Für Aufgaben, die Text und Sprache beinhalten, werden Architekturen wie rekurrente neuronale Netze (RNNs) und Transformatoren vorherrschend. Diese Netze versorgen maschinelle Übersetzungsdienste und Chatbots, indem sie Kontext und Reihenfolge verstehen. Wie sich diese Modelle auf Branchen auswirken, können Sie in diesem Artikel über KI im Gesundheitswesen, wo sie bei der bei der Transkription von medizinischen Notizen und der Analyse von Patientenakten.

Beispiel für die Umsetzung

Moderne Frameworks machen es einfach, neuronale Netze einzusetzen. Der folgende Python zeigt, wie man ein vortrainiertes neuronales Netz (speziell YOLO11) lädt und die Inferenz auf ein Bild mit Hilfe des ultralytics Paket.

from ultralytics import YOLO

# Load a pretrained YOLO11 neural network model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Tools und Ökosystem

Der Aufbau neuronaler Netze erfordert robuste Softwarebibliotheken. PyTorch und TensorFlow sind die beiden beliebtesten Open-Source Frameworks, die umfangreiche Unterstützung für den Entwurf benutzerdefinierter Architekturen und die Nutzung der GPU für schnelleres Training. Für diejenigen, die eine rationalisierte Erfahrung suchen, bietet die Ultralytics (die 2026 vollständig eingeführt wird) eine umfassende Umgebung für die Verwaltung von Datensätzen zur Verfügung, das Training von Modellen wie YOLO11 und die Bereitstellung. Um die Hardware zu verstehen, die diese Netzwerke antreibt, lesen Sie bitte NVIDIA Leitfaden für GPU .