{"id":135476,"date":"2023-05-17T10:28:38","date_gmt":"2023-05-17T09:28:38","guid":{"rendered":"https:\/\/multi.datascientest.com\/?p=135476"},"modified":"2023-10-30T09:23:55","modified_gmt":"2023-10-30T08:23:55","slug":"convolutional-neural-network-2","status":"publish","type":"post","link":"https:\/\/datascientest.com\/de\/convolutional-neural-network-2","title":{"rendered":"Convolutional Neural Network (CNN): Alles, was Du wissen solltest"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"135476\" class=\"elementor elementor-135476\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-ce8fd32 e-flex e-con-boxed e-con\" data-id=\"ce8fd32\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-d6d7f30 elementor-widget elementor-widget-heading\" data-id=\"d6d7f30\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h2 class=\"elementor-heading-title elementor-size-default\">In diesem Artikel konzentrieren wir uns auf einen der leistungsst\u00e4rksten Algorithmen des Deep Learnings, das Convolutional Neural Network (CNN). Dabei handelt es sich um leistungsstarke Programmiermodelle, die eine Bilderkennung erm\u00f6glichen, indem sie jedem eingegebenen Bild automatisch eine seiner Klasse entsprechende Bezeichnung zuweisen.<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fbac9e6 elementor-widget elementor-widget-text-editor\" data-id=\"fbac9e6\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p>Willkommen zur dritten Folge unseres Themas Deep Learning. Nachdem wir im ersten Teil Deep Learning und seine Anwendungen vorgestellt haben, haben wir uns im zweiten Teil mit der Struktur und Funktionsweise neuronaler Netze besch\u00e4ftigt.<\/p><p>Los geht&#8217;s!\u00a0<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-482c3d5 e-flex e-con-boxed e-con\" data-id=\"482c3d5\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-fa5a533 elementor-widget elementor-widget-text-editor\" data-id=\"fa5a533\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><strong>Inhaltsverzeichnis<\/strong><\/p><ol><li><a href=\"#architecturecnn\">CNN-Architektur<\/a><\/li><li><a href=\"#partieconvolutive\">Convolutional Layer<\/a><\/li><li><a href=\"#maxpooling\">Pooling Layer<\/a><\/li><li><a href=\"#miseenapplicationcnn\">Implementierung eines CNN<\/a><\/li><\/ol>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-402e72b elementor-widget elementor-widget-image\" data-id=\"402e72b\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/datascientest.com\/catalog\/module\/151-introduction-au-deeplearning-avec-le-framework-keras\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"370\" height=\"264\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-1.png\" class=\"attachment-full size-full wp-image-4469\" alt=\"modele cnn\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-1.png 370w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-1-300x214.png 300w\" sizes=\"(max-width: 370px) 100vw, 370px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Erkennung eines Weihnachtsmanns durch ein CNN-Modell<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-0c33736 e-flex e-con-boxed e-con\" data-id=\"0c33736\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-50eb954 elementor-widget elementor-widget-menu-anchor\" data-id=\"50eb954\" data-element_type=\"widget\" data-widget_type=\"menu-anchor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\nbody.elementor-page .elementor-widget-menu-anchor{margin-bottom:0}<\/style>\t\t<div id=\"architecturecnn\" class=\"elementor-menu-anchor\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f71a3de elementor-widget elementor-widget-heading\" data-id=\"f71a3de\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">CNN-Architektur \n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-99eef04 elementor-widget elementor-widget-text-editor\" data-id=\"99eef04\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">CNNs<\/span><span style=\"font-weight: 400\"> sind eine Unterkategorie der <a href=\"https:\/\/datascientest.com\/de\/neuronale-netze-einfach-erklaert\">neuronalen Netze<\/a> und geh\u00f6ren derzeit zu den <\/span><b>leistungsf\u00e4higsten Modellen f\u00fcr die Bildklassifizierung<\/b><span style=\"font-weight: 400\">.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-bdf8c5a elementor-widget elementor-widget-text-editor\" data-id=\"bdf8c5a\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Ihre Funktionsweise ist auf den ersten Blick recht einfach: Benutzer geben ein <\/span><b>Bild in Form einer Pixelmatrix<\/b><span style=\"font-weight: 400\"> ein.<br \/><\/span><\/p><p><span style=\"font-weight: 400\">Diese hat 3 Dimensionen:<\/span><\/p><ul><li style=\"font-weight: 400\"><b>Zwei Dimensionen<\/b><span style=\"font-weight: 400\"> f\u00fcr ein Graustufenbild.<\/span><\/li><li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Eine <\/span><b>dritte Dimension <\/b><span style=\"font-weight: 400\">um die Grundfarben (<\/span>Rot, Gr\u00fcn, Blau<span style=\"font-weight: 400\">) darzustellen.<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3d147b5 elementor-widget elementor-widget-text-editor\" data-id=\"3d147b5\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Im Gegensatz zu einem klassischen<\/span><b> MLP-Modell<\/b> (Multi Layers Perceptron<span style=\"font-weight: 400\">), das nur eine Klassifizierungsschicht enth\u00e4lt, hat die Architektur des Convolutional Neural Network schon einen Convolutive Layer und besteht daher aus zwei verschiedenen Teilen:<\/span><\/p><ul><li style=\"font-weight: 400\"><b>einem Konvolutionsteil<\/b><span style=\"font-weight: 400\">: Damit werden <\/span>spezifische Merkmale eines jeden Bildes extrahiert, indem sie komprimiert werden\u00a0um die urspr\u00fcngliche Gr\u00f6\u00dfe zu reduzieren. Das Eingangsbild wird durch eine Reihe von Filtern geleitet, wodurch neue Bilder entstehen, die Convolutional Layers genannt werden. Schlie\u00dflich werden die resultierenden Layers zu Matrizen definierter Gr\u00f6\u00dfe.<\/li><li style=\"font-weight: 400\"><b>einem Klassifizierungsteil <\/b><span style=\"font-weight: 400\">: Die Matrizen definierter Gr\u00f6\u00dfe werden dann <\/span>als Eingabe in eine zweite Schicht bereitgestellt, die aus vollst\u00e4ndig verkn\u00fcpften Schichten besteht, die Multi Layers Perceptron (MLP f\u00fcr Mehrlagige Perzeptronen) genannt werden. So werden Merkmale der Matrizen kombiniert, um das Bild zu klassifizieren.<\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c1b8f19 elementor-widget elementor-widget-image\" data-id=\"c1b8f19\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/blog.octo.com\/classification-dimages-les-reseaux-de-neurones-convolutifs-en-toute-simplicite\/\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"125\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-2.png\" class=\"attachment-full size-full wp-image-4468\" alt=\"convolutional neural network\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-2.png 512w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-2-300x73.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Darstellung der Architektur eines CNN <\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-13285da elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"13285da\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/de\/weiterbildung-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Mehr \u00fcber CNNs erfahren<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-3036ccb e-flex e-con-boxed e-con\" data-id=\"3036ccb\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-19961f4 elementor-widget elementor-widget-menu-anchor\" data-id=\"19961f4\" data-element_type=\"widget\" data-widget_type=\"menu-anchor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div id=\"partieconvolutive\" class=\"elementor-menu-anchor\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fb31dce elementor-widget elementor-widget-heading\" data-id=\"fb31dce\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Convolutional Layer\n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-05eacfd elementor-widget elementor-widget-heading\" data-id=\"05eacfd\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">Wozu gibt es Convolutional Layers?\n<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d04f137 elementor-widget elementor-widget-text-editor\" data-id=\"d04f137\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Die <\/span><b>Konvolution<\/b><span style=\"font-weight: 400\"> (engl. <\/span><i><span style=\"font-weight: 400\">convolution<\/span><\/i><span style=\"font-weight: 400\">) ist eine einfache mathematische Operation, die in der Regel f\u00fcr die <\/span><b>Bildverarbeitung und -erkennung<\/b><span style=\"font-weight: 400\"> verwendet wird. Durch Konvolutionen wird ein Bild wie folgt gefiltert:<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b94dd6f elementor-widget elementor-widget-image\" data-id=\"b94dd6f\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/www.natural-solutions.eu\/blog\/la-reconnaissance-dimage-avec-les-rseaux-de-neurones-convolutifs#:~:text=Qu&#039;est%2Dce%20que%20la,%C3%A0%20la%20reconnaissance%20d&#039;image.\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"471\" height=\"302\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-3.png\" class=\"attachment-full size-full wp-image-4467\" alt=\"neural network\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-3.png 471w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-3-300x192.png 300w\" sizes=\"(max-width: 471px) 100vw, 471px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Darstellung des Verlaufs der Filterung bzw. des Filterfensters auf dem Bild.<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-83ba1a9 elementor-widget elementor-widget-text-editor\" data-id=\"83ba1a9\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<ol><li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Zun\u00e4chst wird <\/span><b>die Gr\u00f6\u00dfe des Filterfensters<\/b><span style=\"font-weight: 400\">, das sich oben links befindet, <\/span><b>festgelegt<\/b><span style=\"font-weight: 400\">.<\/span><\/li><li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Das Filterfenster das das Feature darstellt,<\/span><b> bewegt sich schrittweise von links nach rechts<\/b><span style=\"font-weight: 400\"> um eine zuvor festgelegte Anzahl von Einheiten, bis es am Ende des Bildes angelangt ist.<\/span><\/li><li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Bei jedem erreichten Bildausschnitt wird eine Konvolution berechnet, die eine <\/span><b>Merkmalskarte<\/b><span style=\"font-weight: 400\"> (<\/span><b>Feature Map<\/b><span style=\"font-weight: 400\">) ergibt, um zu wissen, wo sich die Features im Bild befinden<\/span><span style=\"font-weight: 400\">: Je h\u00f6her die Feature Map ist, desto pr\u00e4ziser \u00e4hnelt der gefilterte Bildausschnitt dem Feature.<\/span><\/li><\/ol>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5c75a1a elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"5c75a1a\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/de\/weiterbildung-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Mehr \u00fcber Konvolution erfahren<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-3d39d2c e-flex e-con-boxed e-con\" data-id=\"3d39d2c\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-c6aeab6 elementor-widget elementor-widget-heading\" data-id=\"c6aeab6\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Beispiel f\u00fcr klassische Faltungsmatrizen\n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a50ab0d elementor-widget elementor-widget-text-editor\" data-id=\"a50ab0d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Im Conventional Layer eines Convolutional Neural Network durchl\u00e4uft das eingegebene Bild eine <\/span><b>Reihe von Faltungsmatrizen<\/b><span style=\"font-weight: 400\">. So gibt es beispielsweise h\u00e4ufig verwendete Faltungsmatrizen, mit denen sich relevantere Merkmale als Pixel extrahieren lassen, wie die Kantendetektion (<\/span>Kantenfilter<span style=\"font-weight: 400\">) oder die Erkennung von geometrischen Formen. Die Auswahl und Anwendung der <\/span>Faltungsmatrizen<span style=\"font-weight: 400\"> erfolgt <\/span>automatisch<span style=\"font-weight: 400\"> durch das Modell.<\/span><\/p><p><span style=\"font-weight: 400\">Zu den bekanntesten <\/span><b>Faltungsmatrizen<\/b><span style=\"font-weight: 400\"> geh\u00f6ren der <\/span><b>Mittelwertfilter<\/b><span style=\"font-weight: 400\"> (berechnet f\u00fcr jedes Pixel den Mittelwert des Pixels mit seinen acht n\u00e4chsten Nachbarn) oder auch der <\/span><b>Gau\u00df-Filter<\/b><span style=\"font-weight: 400\">, um das Bildrauschen zu vermindern:<\/span><\/p><p><span style=\"font-weight: 400\">Hier ein Beispiel f\u00fcr die Auswirkungen dieser beiden unterschiedlichen Filter auf ein Bild mit starkem Rauschen (z. B. ein Foto, das wenig belichtet wurde). Allerdings wird das Bildrauschen oft zusammen mit der Bildsch\u00e4rfe reduziert:<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5f96ed5 elementor-widget elementor-widget-image\" data-id=\"5f96ed5\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"306\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-4.png\" class=\"attachment-full size-full wp-image-4466\" alt=\"CNN Deep learning\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-4.png 512w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-4-300x179.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Effekt der Mittelwert- und Gau\u00dffilter - DataScientest.<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9512b9f elementor-widget elementor-widget-text-editor\" data-id=\"9512b9f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Wie man sehen kann, reduziert der Gau\u00dffilter im Gegensatz zum Mittelwertfilter das Rauschen, ohne dass die Sch\u00e4rfe dabei wesentlich verringert wird.<\/span><\/p>\n<p>Neben der Filterfunktion ist der<b> Convolutional<\/b> Layer<b> eines CNN <\/b>auch interessant, weil man die M\u00f6glichkeit hat,&nbsp;<b>einzigartige Merkmale zu extrahieren<\/b>: Die Bilder werden so komprimiert, dass ihre urspr\u00fcngliche Gr\u00f6\u00dfe durch Methoden der Unterabtastung wie Max-Pooling reduziert wird.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-085e952 e-flex e-con-boxed e-con\" data-id=\"085e952\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-ae302cd elementor-widget elementor-widget-menu-anchor\" data-id=\"ae302cd\" data-element_type=\"widget\" data-widget_type=\"menu-anchor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div id=\"maxpoooling\" class=\"elementor-menu-anchor\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ecfdb81 elementor-widget elementor-widget-heading\" data-id=\"ecfdb81\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Methode der Unterabtastung: Max-Pooling\n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-87165a1 elementor-widget elementor-widget-text-editor\" data-id=\"87165a1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Max-Pooling ist ein Diskretisierungsprozess, das auf Beispiele basiert. Das Ziel? Die Unterabtastung der Eingabedarstellung (Bild, Hidden-Layer-Ausgabematrix, usw.) und die Reduzierung ihrer Dimension. Der Vorteil? Der Rechenaufwand wird durch die<\/span><b> Verringerung der Anzahl der zu erlernenden Parameter<\/b><span style=\"font-weight: 400\"> reduziert und die <\/span><b>Invarianz durch kleine Translationen gesichert<\/b><span style=\"font-weight: 400\"> (wenn eine kleine Translation das Maximum des abgetasteten Feldes nicht ver\u00e4ndert, bleibt das Maximum jedes Feldes gleich und somit auch die neu erstellte Matrix).<\/span><\/p><p><span style=\"font-weight: 400\">Hier ein konkretes Beispiel f\u00fcr Max-Pooling: Stellen wir uns vor, wir haben eine 4\u00d74-Matrix, die unsere urspr\u00fcngliche Eingabe darstellt, und einen Filter eines Fensters der Gr\u00f6\u00dfe 2\u00d72, den wir auf unsere Eingabe anwenden. F\u00fcr jedes Feld, das der Filter abtastet, nimmt Max-Pooling das Maximum an. Dadurch entsteht gleichzeitig eine neue Ausgabematrix, in der jedes Element dem Maximum jedes abgetasteten Feldes entspricht.<\/span><\/p><p><span style=\"font-weight: 400\">So der Prozess:<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f0f4521 elementor-widget elementor-widget-image\" data-id=\"f0f4521\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/cs231n.github.io\/convolutional-networks\/\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"236\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-5.png\" class=\"attachment-full size-full wp-image-4465\" alt=\"convolutional neural network\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-5.png 512w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-5-300x138.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"> Max-Polling-Prozess<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f792165 elementor-widget elementor-widget-text-editor\" data-id=\"f792165\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\tDas Filterfenster bewegt sich um zwei Pixel nach rechts (Stride\/Schritt = 2). Bei jedem Schritt wird den Operator arg max berechnet, der dem gr\u00f6\u00dften Wert der vier Pixelwerte entspricht.\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a2234e7 elementor-widget elementor-widget-image\" data-id=\"a2234e7\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/cs231n.github.io\/convolutional-networks\/\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"386\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-6.png\" class=\"attachment-full size-full wp-image-4474\" alt=\"reseau de neurones convolutif\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-6.png 512w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-6-300x226.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Beispiel f\u00fcr einen Max-Pooling-Effekt.<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4b93be9 elementor-widget elementor-widget-text-editor\" data-id=\"4b93be9\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">So der<\/span><b> Vorteil eines Convolutive Layer eines CNN<\/b><span style=\"font-weight: 400\">: Im Gegensatz zu einem klassischen MLP-Modell erh\u00e4lt man durch den Convolutive Layer eine <\/span><b>\u201eMerkmalskarte<\/b><span style=\"font-weight: 400\">&#8220; (<\/span><b>Feature Map) <\/b><span style=\"font-weight: 400\">oder <\/span><b>Faltungsmatrizen<\/b><span style=\"font-weight: 400\"> (<\/span><b>Pixelmatrix rechts im Beispiel<\/b><span style=\"font-weight: 400\">), die <\/span><b>kleiner<\/b><span style=\"font-weight: 400\"> sind als das Eingangsbild. Die Anzahl der <\/span><b>im Modell zu berechnenden Parameter<\/b><span style=\"font-weight: 400\"> wird stark <\/span><b>reduziert<\/b><span style=\"font-weight: 400\">.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5eac5c2 elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"5eac5c2\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/de\/weiterbildung-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Max-Pooling lernen<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-c511d0c e-flex e-con-boxed e-con\" data-id=\"c511d0c\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-ab880b0 elementor-widget elementor-widget-heading\" data-id=\"ab880b0\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Beispiel einer CNN-Architektur und ihr Ergebnis \n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-50304d1 elementor-widget elementor-widget-text-editor\" data-id=\"50304d1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Nach dem Convolutional Layer eines CNN folgt der Fully-connected Layer. Dies wird bei der Klassifizierung angewendet, die allen Modellen von neuronalen Netzen gemein ist. <a href=\"https:\/\/datascientest.com\/de\/deep-learning-oder-tiefes-lernen-was-ist-das-denn\" target=\"_blank\" rel=\"noopener\">Der Fully-connected Layer entspricht einem mehrlagigen Perzeptron-Modell (MLP)<\/a>.<\/p><p>Seine Aufgabe: jedes Datenbeispiel nach Klassenzugeh\u00f6rigkeit zu sortieren.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-156308b elementor-widget elementor-widget-image\" data-id=\"156308b\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/www.natural-solutions.eu\/blog\/histoire-du-deep-learning#:~:text=Les%20perceptrons%20multicouches%3A%20MLP%20(1986)&#038;text=Les%20perceptrons%20multicouches%20ont%20pour,mieux%20cette%20base%20de%20donn%C3%A9es.\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"445\" height=\"310\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-7.png\" class=\"attachment-full size-full wp-image-4473\" alt=\"reseau de neurones\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-7.png 445w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-7-300x209.png 300w\" sizes=\"(max-width: 445px) 100vw, 445px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Darstellung eines mehrlagigen Perzeptrons <\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6d2e580 elementor-widget elementor-widget-text-editor\" data-id=\"6d2e580\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Ein Algorithmus wird von den Perzeptronen verwendet, um ihre Gewichte (oder Netzwerkkoeffizienten) zu aktualisieren, n\u00e4mlich der <\/span><b>Backpropagation-Algorithmus<\/b><span style=\"font-weight: 400\">, den wir sp\u00e4ter noch genauer betrachten werden.\u00a0<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-868dd2b elementor-widget elementor-widget-image\" data-id=\"868dd2b\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"http:\/\/dspace.univ-tlemcen.dz\/bitstream\/112\/12235\/1\/Classification-des-images-avec-les-reseaux-de-neurones.pdf\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"131\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-8.png\" class=\"attachment-full size-full wp-image-4472\" alt=\"reseau de neurones\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-8.png 512w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-8-300x77.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Beispiel einer CNN-Architektur <\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3c563a1 elementor-widget elementor-widget-text-editor\" data-id=\"3c563a1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Allgemein ist die <\/span><b>Architektur eines Convolutional Neural Network<\/b><span style=\"font-weight: 400\"> wesentlich die gleiche:<\/span><\/p><ul><li style=\"font-weight: 400\"><b>Convolutional Layer<\/b><span style=\"font-weight: 400\"> (CONV): Diese erste Schicht <\/span><b>analysiert die eingegebenen Bilder<\/b><span style=\"font-weight: 400\"> analysieren und erkennt das <\/span><b>Vorhandensein einer Reihe von Merkmalen<\/b><span style=\"font-weight: 400\">. So erh\u00e4lt man eine Reihe von Feature Maps (siehe oben: Wozu gibt es Convolutional Layers denn?).<\/span><\/li><li style=\"font-weight: 400\"><b>Pooling Layer <\/b><span style=\"font-weight: 400\">(POOL): Der Pooling Layer ist eine Operation, die normalerweise zwischen zwei Convolutional Layers angewandt wird. Sie erh\u00e4lt als Eingabe die Feature Maps, die als Ausgabe der Convolutional Layers gebildet werden. <\/span><b>Sie reduziert die Gr\u00f6\u00dfe der Bilder und erh\u00e4lt gleichzeitig ihre wesentlichsten Merkmale<\/b><span style=\"font-weight: 400\">. Zu den am h\u00e4ufigsten verwendeten Methoden geh\u00f6ren das bereits erw\u00e4hnte Max-Pooling und das Average Pooling, bei dem der Durchschnittswert des Filterfensters in jedem Schritt beibehalten wird.<\/span><\/li><\/ul><blockquote><p><span style=\"font-weight: 400\">Schlie\u00dflich erh\u00e4lt man am Ende dieses Pooling Layers die gleiche Anzahl von Feature Maps wie am Eingang, jedoch deutlich komprimiert.<\/span><\/p><\/blockquote><ul><li style=\"font-weight: 400\"><b>Die Aktivierungsfunktion ReLU (Rectified Linear Units)<\/b><span style=\"font-weight: 400\">: Dadurch werden <\/span><b>alle negativen Werte, die als Eingaben empfangen werden, durch Nullen ersetzt<\/b><span style=\"font-weight: 400\">. So bleibt das Modell nicht linear, sondern wird damit komplexer.<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fb1ca39 elementor-widget elementor-widget-image\" data-id=\"fb1ca39\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/ml4a.github.io\/ml4a\/fr\/neural_networks\/\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"274\" height=\"228\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-9.png\" class=\"attachment-full size-full wp-image-4471\" alt=\"ReLU Rectified Linear Units\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"> Aktivierungsfunktion ReLU<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e043adf elementor-widget elementor-widget-text-editor\" data-id=\"e043adf\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<ul><li style=\"font-weight: 400\"><b>Fully Connected (FC) Layer: <\/b><span style=\"font-weight: 400\">Diese Layer befinden sich am Ende der CNN-Architektur und sind <\/span><b>vollst\u00e4ndig mit allen Outputs verbunden <\/b><span style=\"font-weight: 400\">(daher der Begriff \u201efully-connected\u201d).<\/span><b><br \/><\/b><span style=\"font-weight: 400\">Der Fully Connected Layer erh\u00e4lt einen Vektor als Eingabe und wendet nacheinander eine <\/span><b>Linearkombination<\/b><span style=\"font-weight: 400\"> und dann eine <\/span><b>Aktivierungsfunktion<\/b><span style=\"font-weight: 400\"> an, um das <\/span><b>Input-Bild<\/b><span style=\"font-weight: 400\"> zu <\/span><b>klassifizieren<\/b><span style=\"font-weight: 400\"> (siehe folgendes Schema). Schlie\u00dflich<\/span><b> ergibt sich ein Vektor der Gr\u00f6\u00dfe d, der der Anzahl der Klassen entspricht<\/b><span style=\"font-weight: 400\">, wobei jede Komponente die Wahrscheinlichkeit darstellt, dass das Input-Bild zu einer Klasse geh\u00f6rt.<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-bde8ac2 elementor-widget elementor-widget-image\" data-id=\"bde8ac2\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"512\" height=\"295\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-10.png\" class=\"attachment-full size-full wp-image-4470\" alt=\"couche fully connected\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-10.png 512w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-10-300x173.png 300w\" sizes=\"(max-width: 512px) 100vw, 512px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Neuronales Netzwerk mit zwei hidden Layers<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-06bd99f elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"06bd99f\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/de\/weiterbildung-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Lernen, CNN-Architektur zu erstellen<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-8a9de7d e-flex e-con-boxed e-con\" data-id=\"8a9de7d\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-9b8b0fb elementor-widget elementor-widget-heading\" data-id=\"9b8b0fb\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Implementierung eines mit Python vorab trainierten CNN:\n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cc6beea elementor-widget elementor-widget-text-editor\" data-id=\"cc6beea\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">F\u00fcr praktische Anwendungen und angesichts der Komplexit\u00e4t, <\/span><b>leistungsf\u00e4hige<\/b><span style=\"font-weight: 400\"> \u201ehandgemachte\u201d CNNs zu erstellen, werden wir vorab trainierte Netzwerke verwenden, die im Modul <a href=\"https:\/\/pytorch.org\/\">Torchvision<\/a> verf\u00fcgbar sind. Wir werden sehen, wie dieses in Python implementiert werden kann:<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-ae52dac e-flex e-con-boxed e-con\" data-id=\"ae52dac\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-de89f9b elementor-widget elementor-widget-menu-anchor\" data-id=\"de89f9b\" data-element_type=\"widget\" data-widget_type=\"menu-anchor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div id=\"miseenapplicationcnn\" class=\"elementor-menu-anchor\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a7df4d6 elementor-widget elementor-widget-heading\" data-id=\"a7df4d6\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Anwendung eines CNN: Identifizierung beliebiger Bilder aus dem ImageNet-Dataset: zehn Millionen sortierte Bilder.\n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a6b3823 elementor-widget elementor-widget-text-editor\" data-id=\"a6b3823\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">ImageNet ist eine Datenbank mit \u00fcber zehn Millionen sortierten Bildern, die von der gleichnamigen Organisation f\u00fcr Forschungsarbeiten im Bereich Computer Vision produziert wird.<\/span><\/p><p><span style=\"font-weight: 400\">Hier ein Auszug aus diesem umfangreichen Dataset :<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ab751d5 elementor-widget elementor-widget-image\" data-id=\"ab751d5\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/machinelearningmastery.com\/use-pre-trained-vgg-model-classify-objects-photographs\/\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"442\" height=\"272\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-11.png\" class=\"attachment-full size-full wp-image-4479\" alt=\"Extrait de la base de donn\u00e9es ImageNet\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-11.png 442w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-11-300x185.png 300w\" sizes=\"(max-width: 442px) 100vw, 442px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Auszug aus der Datenbank ImageNet <\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9eb367b elementor-widget elementor-widget-text-editor\" data-id=\"9eb367b\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><b>Vorbereitung:<\/b><span style=\"font-weight: 400\"> Als Erstes importieren wir jede Bibliothek, die wir sp\u00e4ter brauchen werden.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ca31be8 elementor-widget elementor-widget-shortcode\" data-id=\"ca31be8\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d3d78e5 elementor-widget elementor-widget-text-editor\" data-id=\"d3d78e5\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><b>1. Schritt:<\/b><span style=\"font-weight: 400\"> Trainieren des vortrainierten Modells VGG16<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5c50461 elementor-widget elementor-widget-shortcode\" data-id=\"5c50461\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-13d4eb3 elementor-widget elementor-widget-text-editor\" data-id=\"13d4eb3\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><b>2. Schritt: <\/b><span style=\"font-weight: 400\">Importieren der 3 Bilder, die sortiert werden sollen<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a2b063f elementor-widget elementor-widget-shortcode\" data-id=\"a2b063f\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-6a05dc3 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"6a05dc3\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-dd58b01\" data-id=\"dd58b01\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-a3fdef0 elementor-widget elementor-widget-image\" data-id=\"a3fdef0\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/www.amazon.fr\/Ballon-football-Taille-standard-blanc\/dp\/B018URJZPK\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"275\" height=\"183\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-12.png\" class=\"attachment-large size-large wp-image-4478\" alt=\"\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-97e464d\" data-id=\"97e464d\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-6c90ec0 elementor-widget elementor-widget-image\" data-id=\"6c90ec0\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/fr.wikipedia.org\/wiki\/Canis_lupus\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"290\" height=\"193\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-13.png\" class=\"attachment-large size-large wp-image-4477\" alt=\"\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-00c823e\" data-id=\"00c823e\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-3ba997e elementor-widget elementor-widget-image\" data-id=\"3ba997e\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/fr.wikipedia.org\/wiki\/General_Atomics_MQ-9_Reaper\">\n\t\t\t\t\t\t\t<img decoding=\"async\" width=\"150\" height=\"150\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-14-150x150.png\" class=\"attachment-thumbnail size-thumbnail wp-image-4476\" alt=\"\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-14-150x150.png 150w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-14-300x300.png 300w, https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-14.png 329w\" sizes=\"(max-width: 150px) 100vw, 150px\" \/>\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t<div class=\"elementor-element elementor-element-713bf73 e-flex e-con-boxed e-con\" data-id=\"713bf73\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-0026e32 elementor-widget elementor-widget-text-editor\" data-id=\"0026e32\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><b>3. Schritt: <\/b><span style=\"font-weight: 400\">Preprocessing der Bilder<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-dd06cd5 elementor-widget elementor-widget-shortcode\" data-id=\"dd06cd5\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-83f91b8 elementor-widget elementor-widget-text-editor\" data-id=\"83f91b8\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><b>4. Schritt: <\/b><span style=\"font-weight: 400\">Vorhersage des Modells <\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d15bce8 elementor-widget elementor-widget-shortcode\" data-id=\"d15bce8\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-bcd1fe3 elementor-widget elementor-widget-image\" data-id=\"bcd1fe3\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"592\" height=\"60\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/cnn.png\" class=\"attachment-full size-full wp-image-4480\" alt=\"prediction algorithme\" srcset=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/cnn.png 592w, https:\/\/datascientest.com\/de\/files\/2020\/06\/cnn-300x30.png 300w\" sizes=\"(max-width: 592px) 100vw, 592px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Darstellung der Vorhersage des Modells VGG16<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-bbc7634 elementor-widget elementor-widget-text-editor\" data-id=\"bbc7634\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">Man kann sich auch die f\u00fcnf Labels anzeigen lassen, die von dem Modell VGG16 als am wahrscheinlichsten eingestuft wurden:<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f9dacdf elementor-widget elementor-widget-shortcode\" data-id=\"f9dacdf\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ba53535 elementor-widget elementor-widget-image\" data-id=\"ba53535\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"226\" height=\"168\" src=\"https:\/\/datascientest.com\/de\/files\/2020\/06\/CNN-15-.png\" class=\"attachment-full size-full wp-image-4475\" alt=\"prediction algorithme\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">die f\u00fcnf wahrscheinlichsten Labels vom Modell VGG16<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6853b7f elementor-widget elementor-widget-text-editor\" data-id=\"6853b7f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400\">\u2192<\/span><b> VGG16 konnte also mit gro\u00dfer Sicherheit (95,6%) vorhersagen, dass es sich bei dem eingegebenen Bild nicht nur um einen Wolf handelte, sondern gab sogar die Rasse an, n\u00e4mlich hier die eines grauen Ostwolfs (timber wolf). Beeindruckend, nicht wahr?<\/b><\/p><p><span style=\"font-weight: 400\">Das Funktionsprinzip eines CNN ist einfach zu verstehen, aber paradoxerweise bleibt die Implementierung eines solchen Verfahrens zur Klassifizierung von Bildern sehr komplex, da eine betr\u00e4chtliche Anzahl von Parametern definiert werden muss: Anzahl, Gr\u00f6\u00dfe, Verschiebung der Filter, Wahl der Pooling-Methode, Wahl der Anzahl der Layers, Anzahl der Neuronen pro Layer usw. Die meisten dieser Parameter sind jedoch nicht in der Lage, die Bilder zu klassifizieren.<\/span><\/p><p><span style=\"font-weight: 400\">Daher bietet Python \u00fcber das Modul Torchvision die M\u00f6glichkeit, leistungsf\u00e4hige, vorab trainierte CNN-Modelle wie VGG16, Resnet101 usw. zu nutzen.<\/span><\/p><p><span style=\"font-weight: 400\">In diesem Artikel haben wir die Funktionsweise und die Architektur von Convolutional Neural Networks beschrieben und uns dabei auf ihre Besonderheit, den Convolutive Layer, konzentriert.<\/span><\/p><p><span style=\"font-weight: 400\">Nun m\u00fcssen wir noch diese Klassifizierung weiter verstehen: die R\u00fcckverbreitung des <\/span><b>Backpropagation<\/b><span style=\"font-weight: 400\">-Algorithmus. Keine Sorge, ein n\u00e4chster Artikel zu diesem Thema kommt bald!<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-194ea5b elementor-widget elementor-widget-heading\" data-id=\"194ea5b\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Ist ein Convolutional Neural Network Machine Learning oder Deep Learning ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e926d44 elementor-widget elementor-widget-text-editor\" data-id=\"e926d44\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"flex flex-grow flex-col gap-3\"><div class=\"min-h-[20px] flex flex-col items-start gap-4 whitespace-pre-wrap break-words\"><div class=\"markdown prose w-full break-words dark:prose-invert light\"><p>Ein <strong>Convolutional Neural Network (CNN) geh\u00f6rt<\/strong> zur Familie der k\u00fcnstlichen neuronalen Netzwerke und wird in der Regel dem Bereich des Deep Learning zugeordnet.<\/p><p><a href=\"https:\/\/datascientest.com\/de\/machine-learning-definition-funktionsweise-anwendungen\">Machine Learning<\/a> ist ein Oberbegriff, der sich mit Algorithmen und Techniken befasst, die es Computern erm\u00f6glichen, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen, ohne explizit programmiert zu werden. Es gibt verschiedene Ans\u00e4tze im Machine Learning, darunter \u00fcberwachtes Lernen, un\u00fcberwachtes Lernen und verst\u00e4rkendes Lernen.<\/p><p><a href=\"https:\/\/datascientest.com\/de\/deep-learning-vs-machine-learning\">Deep Learning<\/a> ist eine spezifische Methode des Machine Learnings, die auf k\u00fcnstlichen neuronalen Netzwerken mit vielen Schichten (daher der Begriff &#8222;tief&#8220;) basiert.<\/p><p>Diese Netzwerke k\u00f6nnen komplexe Muster und Zusammenh\u00e4nge in Daten erkennen und lernen, indem sie hierarchische Darstellungen der Daten erzeugen.<\/p><p><strong>Convolutional Neural Networks<\/strong> sind eine spezielle Art von k\u00fcnstlichen neuronalen Netzwerken, die besonders gut f\u00fcr die Verarbeitung von Daten mit r\u00e4umlicher Struktur geeignet sind, wie zum Beispiel Bilder. <strong>CNNs verwenden Convolutional Layers, Pooling Layers und Fully Connected Layers,<\/strong> um Merkmale in den Daten zu extrahieren und Klassifizierungen oder Vorhersagen zu treffen.<\/p><p>Insgesamt kann man sagen, dass Convolutional Neural Networks eine Technik des Deep Learning sind, das wiederum ein Teilbereich des Machine Learnings ist.<\/p><\/div><\/div><\/div>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-2119248 e-flex e-con-boxed e-con\" data-id=\"2119248\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-7b12364 elementor-widget elementor-widget-text-editor\" data-id=\"7b12364\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p style=\"padding-left: 40px\"><strong>Artikel 1 :<\/strong> <a href=\"https:\/\/datascientest.com\/de\/deep-learning-oder-tiefes-lernen-was-ist-das-denn\">Einf\u00fchrung in das Deep Learning<\/a><\/p><p style=\"padding-left: 40px\"><strong>Artikel 2 :<\/strong> <a href=\"https:\/\/datascientest.com\/de\/neuronale-netze-einfach-erklaert\">Neuronale Netze<\/a><\/p><p style=\"padding-left: 40px\"><strong>Artikel 3 :<\/strong> <a href=\"https:\/\/datascientest.com\/de\/kuenstliche-intelligenz\">Alles rund um K\u00fcnstliche Intelligenz<\/a><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1891496 elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"1891496\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/de\/blog-de\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Weiterlesen<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>In diesem Artikel konzentrieren wir uns auf einen der leistungsst\u00e4rksten Algorithmen des Deep Learnings, das Convolutional Neural Network (CNN). Dabei handelt es sich um leistungsstarke Programmiermodelle, die eine Bilderkennung erm\u00f6glichen, indem sie jedem eingegebenen Bild automatisch eine seiner Klasse entsprechende Bezeichnung zuweisen. Willkommen zur dritten Folge unseres Themas Deep Learning. Nachdem wir im ersten Teil [&hellip;]<\/p>\n","protected":false},"author":45,"featured_media":23759,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2454],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Convolutional Neural Network (CNN): Alles, was Du wissen solltest<\/title>\n<meta name=\"description\" content=\"Convolutional Neural Network (CNN): Erfahre mehr zu einem der leistungsst\u00e4rksten Algorithmen im Bereich des Deep Learning!\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Convolutional Neural Network (CNN): Alles, was Du wissen solltest\" \/>\n<meta property=\"og:description\" content=\"In diesem Artikel konzentrieren wir uns auf einen der leistungsst\u00e4rksten Algorithmen des Deep Learnings, das Convolutional Neural Network (CNN). Dabei\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2\" \/>\n<meta property=\"og:site_name\" content=\"Weiterbildung Data Science | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2023-05-17T09:28:38+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-30T08:23:55+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2020\/06\/illu_convulational_blog-32.png\" \/>\n\t<meta property=\"og:image:width\" content=\"2560\" \/>\n\t<meta property=\"og:image:height\" content=\"1405\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Daniel\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Daniel\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"13 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2\"},\"author\":{\"name\":\"Daniel\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0\"},\"headline\":\"Convolutional Neural Network (CNN): Alles, was Du wissen solltest\",\"datePublished\":\"2023-05-17T09:28:38+00:00\",\"dateModified\":\"2023-10-30T08:23:55+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2\"},\"wordCount\":1774,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2#respond\"]}],\"copyrightYear\":\"2023\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2\",\"url\":\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2\",\"name\":\"Convolutional Neural Network (CNN): Alles, was Du wissen solltest\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/#website\"},\"datePublished\":\"2023-05-17T09:28:38+00:00\",\"dateModified\":\"2023-10-30T08:23:55+00:00\",\"description\":\"Convolutional Neural Network (CNN): Erfahre mehr zu einem der leistungsst\u00e4rksten Algorithmen im Bereich des Deep Learning!\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/de\/convolutional-neural-network-2\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/de\/#website\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"name\":\"Weiterbildung Data Science | DataScientest.com\",\"description\":\"F\u00fchrender Anbieter von Schulungen im Bereich Data Science\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/de\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-germany\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0\",\"name\":\"Daniel\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g\",\"caption\":\"Daniel\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/school\/datascientest\/\",\"user\"],\"jobTitle\":\"ing\u00e9nieur logiciel\",\"worksFor\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/de\/author\/team-redac\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Convolutional Neural Network (CNN): Alles, was Du wissen solltest","description":"Convolutional Neural Network (CNN): Erfahre mehr zu einem der leistungsst\u00e4rksten Algorithmen im Bereich des Deep Learning!","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/de\/convolutional-neural-network-2","og_locale":"de_DE","og_type":"article","og_title":"Convolutional Neural Network (CNN): Alles, was Du wissen solltest","og_description":"In diesem Artikel konzentrieren wir uns auf einen der leistungsst\u00e4rksten Algorithmen des Deep Learnings, das Convolutional Neural Network (CNN). Dabei","og_url":"https:\/\/datascientest.com\/de\/convolutional-neural-network-2","og_site_name":"Weiterbildung Data Science | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2023-05-17T09:28:38+00:00","article_modified_time":"2023-10-30T08:23:55+00:00","og_image":[{"width":2560,"height":1405,"url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2020\/06\/illu_convulational_blog-32.png","type":"image\/png"}],"author":"Daniel","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Verfasst von":"Daniel","Gesch\u00e4tzte Lesezeit":"13 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/de\/convolutional-neural-network-2#article","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/convolutional-neural-network-2"},"author":{"name":"Daniel","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0"},"headline":"Convolutional Neural Network (CNN): Alles, was Du wissen solltest","datePublished":"2023-05-17T09:28:38+00:00","dateModified":"2023-10-30T08:23:55+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/de\/convolutional-neural-network-2"},"wordCount":1774,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"articleSection":["Data Science"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/de\/convolutional-neural-network-2#respond"]}],"copyrightYear":"2023","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/de\/convolutional-neural-network-2","url":"https:\/\/datascientest.com\/de\/convolutional-neural-network-2","name":"Convolutional Neural Network (CNN): Alles, was Du wissen solltest","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/#website"},"datePublished":"2023-05-17T09:28:38+00:00","dateModified":"2023-10-30T08:23:55+00:00","description":"Convolutional Neural Network (CNN): Erfahre mehr zu einem der leistungsst\u00e4rksten Algorithmen im Bereich des Deep Learning!","inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/de\/convolutional-neural-network-2"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/de\/#website","url":"https:\/\/datascientest.com\/de\/","name":"Weiterbildung Data Science | DataScientest.com","description":"F\u00fchrender Anbieter von Schulungen im Bereich Data Science","publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/de\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-germany\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0","name":"Daniel","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g","caption":"Daniel"},"sameAs":["https:\/\/www.linkedin.com\/school\/datascientest\/","user"],"jobTitle":"ing\u00e9nieur logiciel","worksFor":"DataScientest","url":"https:\/\/datascientest.com\/de\/author\/team-redac"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/135476"}],"collection":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/users\/45"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/comments?post=135476"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/135476\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media\/23759"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media?parent=135476"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/categories?post=135476"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/tags?post=135476"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}