Ein Feedforward-Netz erkennt man daran, dass die Informationen nur in eine Richtung fließen. Von den Eingaben (Input1, Input2, Input3 und Input4) gelangen die Informationen zur versteckten Schicht (N1, N2, N3) und anschließend zum Ausgabeneuron (Output1).
Dies stellt den Informationsfluss wie folgt dar: Eingabe – Hidden Layer – Ausgabe
Dadurch lassen sich die drei Schichten klar voneinander trennen.
Beispiel Feedforward Link to heading
Der Begriff „Feedforward“ bedeutet sinngemäß „Vorwärtsweiterleitung“: Die Daten werden nur in eine Richtung – von der Eingabeschicht über die versteckten Schichten zur Ausgabeschicht weitergeleitet.
| Input | Wert |
|---|---|
| input1 | 1 |
| input2 | 0 |
| input3 | 0 |
| input4 | 0 |
- Schritt 1: Die vier Eingaben werden mit den Gewichten multipliziert. Zum Beispiel für N1: 1 * 3.29 + 0 * (-1.59) + 0 *(-1.31) + 0 * (-1.59) + Bias (-0.87); dadurch entsteht zunächst ein Summenwert.
- Schritt 2: Dieser Wert wird durch eine Aktivierungsfunktion geschickt (Sigmoidfunktion). Dadurch erhält N1 den Wert: 0.9187 – dasselbe geschieht auch für N2 und N3.
- Schritt 3: Diese Werte dienen jetzt als Eingaben für das Ausgabeneuron.
| Neuron | Wert |
|---|---|
| N1 | 0.9187 |
| N2 | 0.1110 |
| N3 | 0.8975 |
Dort werden die Werte erneut mit Gewichten multipliziert, aufsummiert, Bias addiert und Aktivierungsfunktion angewandt.
So entsteht: output1 = 0.9947
Dadurch kann die KI zum Beispiel Muster erkennen, Werte vorhersagen, Entscheidungen einschätzen sowie logische Zusammenhänge erlernen.
Sie „merkt“ sich dabei keinen vorherigen Zustand. Jede Eingabe wird unabhängig von vorherigen Eingaben verarbeitet.
Ein komplexeres neuronales Netzwerk besitzt beispielsweise:
- mehrere versteckte Schichten
- viele Neuronen pro Schicht
- spezielle Schichten (z. B. rekurrente Schichten)
- eine große Anzahl an Parametern, bei modernen Netzwerken teilweise Milliarden oder mehr.
»Feedforward-Netz« Zum Nachbauen unter: https://tools.info-bw.de/nn/