VOM BEISPIEL ZUM GEWICHT
Lernen. Schritt für Schritt.
Baue ein Netz, gib ihm Beispiele und beobachte, was sich nach jedem Training verändert.
AKTIVES MODELL
2 → 16 → 16 → 1
TRAININGSSTEUERUNG
Ein Schritt verändert das Netz.
Bereit. Ein Schritt trainiert genau eine Aufgabe.
AUFGABEN & ERGEBNISSE
Was bleibt hängen?
Jede Zeile zeigt die ungerundete Ausgabe. Tests verändern keine Gewichte.
Trainingsaufgaben
0 / 2 richtigTestaufgaben
0 / 3 richtigLERNVERLAUF
Fortschritt hat keine Gerade.
Letzte Trainingsschritte
BLICK INS MODELL
Gewichte & Bias
Gradient: Ableitung des letzten Beispiels vor dem Update. Änderung: tatsächlicher Adam-Schritt. Wert: Zustand danach.
SO LERNT DAS NETZ
Vorhersage. Ableitung. Anpassung.
Ein Trainingsschritt berechnet die Abweichung vom Ziel, leitet sie durch die Schichten zurück und verändert die Parameter mit Adam. Ein einzelner Schritt garantiert noch keine richtige Antwort.
Nur die ausgewählte Trainingsaufgabe liefert den Gradienten. Ein Durchgang besucht jede Trainingsaufgabe einmal in ihrer Reihenfolge.
Alle Aufgaben werden nach jedem Update mit denselben Gewichten ausgewertet. Bei mehreren Ausgaben müssen alle Zielwerte passen.
„Bis alle passen“ endet nach einem vollständigen Durchgang, sobald alle Trainingsziele stimmen. Testaufgaben steuern das Ende nicht.
Rundung, Wiederholbarkeit und Sitzungen
Gerundete Antworten verwenden die nächste ganze Zahl; halbe Werte werden von null weg gerundet. Für Dezimalziele wähle eine absolute Fehlertoleranz. Eine Trefferquote bei identischen wiederholten Fragen ist keine Erfolgswahrscheinlichkeit: Das Netz antwortet bei unveränderten Gewichten gleich. Ein gleicher Zufallsstart mit identischer Trainingsfolge ist reproduzierbar. Die Sitzung liegt im Arbeitsspeicher auf Strato und endet bei einem Dienstneustart oder nach acht Stunden Inaktivität. Exportiere Ergebnisse bei Bedarf als CSV. Das Protokoll enthält alle Schritte; die Zeichnung kann lange Verläufe verdichten.