Machine Learning Applications

    Guten Tag, da es noch kein Feed für MLA gibt, wollte ich einen mal erstellen, damit wir uns austauschen können.


    Weiß jemand die Antwort der Frage 1 aus der Probeklausur?


    Anhand von Bildern soll klassifiziert werden, ob ein Werkstück fehlerhaft ist oder nicht. Die RGB-Bilder sind 20x20 Pixel groß. Zur Klassifikation soll ein neuronales Netz mit vollständig verbundenen Schichten und der klassischen Sigmoid-Aktivierungsfunktion eingesetzt werden. Es umfasst eine versteckte Schicht, die 100 Neuronen enthält, und ist kein Faltungsnetzwerk.


    Wie viele trainierbare Parameter haben die einzelnen Schichten des Netzes und das Netzwerk insgesamt?

    Geben Sie ihren Rechenweg an und begründen Sie diesen. (7 Punkte)


    Vielen dank im Vorraus.

    Ich würde sagen:

    Input Layer hat keine trainierbaren Parameter

    Hidden Layer, die vollständig verbunden ist hat I*I*d*O*O*k (Anzahl der Neuronen der vorherigen Schicht mal Anzahl der Neuronen des hidden Layer). das macht dann 20*20*3*100=120000 Parameter.

    Was da noch fehlt sind die Informationen zum Output Layer, glaube ich. Ich würde sagen, dass es nur ein Neuron im Output Layer gibt, der entweder fehlerhaft oder gut zeigt. Das wären dann nochmal 100*1 Parameter.

    Ich würde sagen, dass netz hat 120100 trainierbare Parameter.