Schlüsselfunktionen im neuronalen Netzwerktraining Ppt

Folie 1

Diese Folie gibt eine Einführung in die Aktivierungsfunktion in einem neuronalen Netzwerk und diskutiert ihre Bedeutung. Mithilfe der Aktivierungsfunktion wird eine gewichtete Summe berechnet und anschließend ein Bias hinzugefügt, um zu bestimmen, ob ein Neuron aktiviert werden soll oder nicht.

Folie 2

Diese Folie veranschaulicht die Schwellenwertfunktion, eine Art Aktivierungsfunktion in einem neuronalen Netzwerk. Diese Funktion hat nur zwei mögliche Ausgaben: entweder 0 oder 1. Sie werden im Allgemeinen verwendet, wenn nur zwei Arten von Daten klassifiziert werden sollen.

Folie 3

Diese Folie zeigt die Sigmoidfunktion, eine Art Aktivierungsfunktion. Der Wertebereich der Sigmoidfunktion liegt zwischen 0 und 1. Diese Funktion wird hauptsächlich in der Ausgabeschicht verwendet, da wir von diesem Knoten aus den erwarteten Wert erhalten

Folie 4

Diese Folie veranschaulicht die Rectifier- oder ReLU-Funktion, eine Art Aktivierungsfunktion. Relu (Rectified Linear Units) wird aufgrund seiner gleichgerichteten Natur hauptsächlich in verborgenen Schichten eines neuronalen Netzwerks eingesetzt. Relu ist eine halbkorrigierte Funktion, die unten beginnt. Sie bewegt sich kontinuierlich bis zu einem bestimmten Punkt und steigt dann nach einer bestimmten Zeitspanne auf ihr Maximum an

Folie 5

Diese Folie zeigt die hyperbolische Tangensfunktion, eine Art Aktivierungsfunktion. Die Tanh-Funktion ist eine aktualisierte Version der Sigmoidfunktion, die einen Wertebereich von -1 bis 1 umfasst. Tanh hat eine Sigmoidkurvenform, allerdings mit einem ausgeprägten Wertebereich. Der Vorteil besteht darin, dass je nach Prognose sowohl negative als auch positive Ergebnisse getrennt dargestellt werden.