Initialisiere...
Neural Network Parameters: Bias Values
Diese Ansicht zeigt die aktuellen **Bias**-Werte, die für jedes Neuron im Netzwerk gelernt oder initialisiert wurden.
(Bias ist die Grundeinstellung, die bestimmt, wie leicht ein Neuron aktiv wird.)
Hidden Layer Biases (16 Neuronen)
Output Layer Biases (10 Neuronen)
Funktionsweise des Neuronalen Netzes
Dieses Netzwerk ist ein **Feedforward-Netzwerk** (Vorwärts-Netzwerk) mit nur einer versteckten Schicht. Es ist darauf ausgelegt, handschriftliche Ziffern zu klassifizieren.
1. Die drei Schichten (Layer)
-
Input Layer (64 Knoten): Nimmt die rohen Pixel-Daten vom Raster entgegen (0 oder 1). Die Anzahl ist abhängig von der gewählten Rastergröße (8x8 = 64, 16x16 = 256).
-
Hidden Layer (16 Knoten): Die **"Denkzentrale"**. Sie extrahiert komplexe Merkmale wie Linien, Kurven und Ecken. Hier wird die **Sigmoid-Funktion** verwendet.
-
Output Layer (10 Knoten): Liefert die endgültige Vorhersage. Jeder Knoten steht für eine Ziffer (0-9). Hier wird die **Softmax-Funktion** verwendet, um Wahrscheinlichkeiten zu erhalten.
2. Gewichte und Biases (Wissen des Netzes)
-
Gewichte (Weights): Dies ist das **gelernte Wissen** des Netzwerks. Jede Verbindung zwischen zwei Neuronen hat ein Gewicht. Es bestimmt, wie wichtig (oder unwichtig) ein Signal vom vorherigen Neuron für das nächste Neuron ist.
-
Bias: Dies ist eine **Grundeinstellung** (ein konstanter Wert), der zu der gewichteten Summe jedes Neurons hinzugefügt wird. Der Bias hilft dem Neuron, seine Aktivierungsschwelle anzupassen. Die Bias-Werte sehen Sie im Tab "Network Visualization".
3. Aktivierungsfunktionen
-
Sigmoid (Hidden Layer): Eine Funktion, die jeden Wert in einen Bereich zwischen **0 und 1** umwandelt. Sie führt **Nichtlinearität** ein, damit das Netz komplexe Muster lernen kann.
-
Softmax (Output Layer): Wandelt die 10 rohen Output-Werte in **Wahrscheinlichkeiten** um, deren Summe exakt 1 ergibt. Dadurch können wir die Ausgabe als "Zu 90% ist es eine 7" interpretieren.
4. Training (Backpropagation)
Beim Training wird der **Fehler** zwischen der Vorhersage und dem tatsächlichen Ziel berechnet. Dieser Fehler wird dann **rückwärts** (Backpropagation) durch das Netzwerk geleitet, um alle Gewichte und Biases schrittweise so anzupassen, dass der Fehler beim nächsten Mal kleiner wird.
Mechanismus: Der Button "Trainingsdaten speichern" speichert Ihre aktuelle Zeichnung (8x8 Pixel) und die Zielziffer im **lokalen Speicher** dieses Browsers.
Hinweis: Daten werden nicht geräte- oder browserübergreifend geteilt. Wenn Sie die Browserdaten löschen, gehen Ihre Trainingsdaten verloren.
Training: Der Button "Netzwerk trainieren" führt den **Backpropagation-Algorithmus** 100 Mal über alle gespeicherten Daten aus und passt die Gewichte des Netzwerks an.
Bereinigung: Verwenden Sie den Button **ALLE Trainingsdaten löschen (Lokal)**, um alle gespeicherten Datensätze aus Ihrem Browser zu entfernen.