ConvNet

Convolutional Neural Networks können als Erweiterung neuronaler Netze angesehen werden, wobei sich die Erweiterung insbesondere zur Klassifikation von Bildern eignet. Genauer seien sämtliche Eingangssignal Schwarz-Weiß-Bilder, welche als Matrix (zweidimensionales Datenfeld) zu definieren sind. Bevor ein neuronales Netz mit seinen Schichten zum Einsatz kommt, werden die Eingangsdaten (Bilder) vorverarbeitet. Insbesondere werden sogenannte Faltungen (Filter) verwendet, um wichtige Merkmale (Feature) der Bilder deutlicher hervorzuheben.

Hinweis: Da es keine sinnvolle deutsche Übersetzung gibt, verwenden wir in diesem Abschnitt mit Convolutional Neural Network den englischen Begriff und kürzen dies häufig durch ConvNet ab.

Übersicht
Das ConvNet-Paket stellt folgende Befehle und Funktionen zur Verfügung:
Beispiel
Das folgende Beispiel veranschaulicht exemplarisch die zentralen Funktionen des ConvNet-Pakets. Für Trainings- sowie Testdaten wurde auf das Mnist-Datenpaket zurückgegriffen. Hinweis: Um gute Ergebnisse zu erzielen, sind weitaus mehr Iterationen in der Trainingsphase notwendig. Um die Rechenzeit zu reduzieren, wurde in diesem Beispiel die Anzahl der Iterationen auf 10 reduziert. Erhöhe beispielsweise auf 1000, um die Anzahl der korrekt erkannten Ziffern zu erhöhen.