N4MiniApp4NEURONALES LERNLABORPython · NumPy · Adam

VOM BEISPIEL ZUM GEWICHT

Lernen. Schritt für Schritt.

Baue ein Netz, gib ihm Beispiele und beobachte, was sich nach jedem Training verändert.

Verbinde mit Strato …Eigene Sitzung · Reproduzierbarer Zufallsstart

AKTIVES MODELL

2 → 16 → 16 → 1

337 Parameter

TRAININGSSTEUERUNG

Ein Schritt verändert das Netz.

0Gewichtsupdates

Bereit. Ein Schritt trainiert genau eine Aufgabe.

Deine Versuche:Jeweils frischer Start; 2 + 1 wird nur geprüft.

AUFGABEN & ERGEBNISSE

Was bleibt hängen?

Jede Zeile zeigt die ungerundete Ausgabe. Tests verändern keine Gewichte.

Trainingsaufgaben

0 / 2 richtig

Testaufgaben

0 / 3 richtig
Korrekt nach gewähltem Kriterium Fehler größer als vor dem letzten Schritt Zuvor richtig, jetzt falsch

LERNVERLAUF

Fortschritt hat keine Gerade.

CSV exportieren
TrainingslisteTestliste
Mittlerer Testfehler —Letzter Verlust —
Letzte Trainingsschritte

BLICK INS MODELL

Gewichte & Bias

Live

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.

Trainieren

Nur die ausgewählte Trainingsaufgabe liefert den Gradienten. Ein Durchgang besucht jede Trainingsaufgabe einmal in ihrer Reihenfolge.

Prüfen

Alle Aufgaben werden nach jedem Update mit denselben Gewichten ausgewertet. Bei mehreren Ausgaben müssen alle Zielwerte passen.

Wiederholen

„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.