wieerwill/Informatik
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Kontrollfragen

Browse Source
This commit is contained in:
wieerwill 2021-12-15 20:33:23 +01:00
parent 85cb5180ae
commit 98fa55ed75
2 changed files with 55 additions and 4 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

BIN
Praktikum BMT - Deep Learning in der Biomedizintechnik.pdf
View File

Binary file not shown.

59
Praktikum BMT - Deep Learning in der Biomedizintechnik.tex
View File

@ -38,8 +38,8 @@
\title {Versuchsprotokoll}
\author{}
\date{\today\\*[60pt]}
\maketitle %Erstellt das Titelblatt wie oben definiert
\date{16.12.2021\\*[60pt]}
\maketitle
%Einstellungen zur Kopf- und Fußzeile
\pagestyle{fancy}
@ -48,19 +48,70 @@
\newpage
\section{Kontrollfragen}
\begin{itemize}
\begin{enumerate}
\item Erklären Sie die Rechenschritte in einem neuronalen Netz.
\begin{itemize}
\item Signaleingang über Axon an Eingang des Neurons
\item Summe aller Eingänge mti Aktivierungsfunktion (Soma) verrechnen
\item Ausgabe der Aktivierungsfunktion mit Ausgabefunktion (Axonhügel) berechnen
\item Ergebnis der Ausgabefunktion auf Ausgang legen
\end{itemize}
\item Nennen Sie drei Aktivierungsfunktionen von neuronalen Netzen.
\begin{itemize}
\item Skalarprodukt $\sum_{j=1}^n w_{ij} * x_J$
\item Sigma-Pi $\sum_{j=1}^n (w_{ij} * \prod_{w=1}^p x_{jw})$
\item Manhatten $\sum_{j=1}^n |x_j-w_{ji}|$
\item Euklidische Distanz $\sqrt{\sum_{j=1}^n (x_j-w_{ji})^2}$
\item Mahalanobis $\sqrt{(x-w_i)^T *C_i^{-1} * (x-w_i)}$ mit $C_i=\frac{1}{n} \sum_{p=1}^N (x^p-w_i)*(x^p-w_i)^T$
\item Maximum-Distanz: $max_{1\leq j\leq n} |x_j-w_{ij}|$
\item Minimum-Distanz: $min_{1\leq j\leq n} |x_j-w_{ij}|$
\end{itemize}
\item Nennen Sie verschiedene Arten von Layern in neuronalen Netzen.
\begin{itemize}
\item Input-Layer: Neuronen, die von der Aussenwelt Signale empfangen
\item Hidden-Layer: Neuronen, die sich im inneren des neuronalen Netzes befinden und eine interne Repräsentation der Aussenwelt enthalten
\item Output-Layer: Neuronen, die Signale an die Aussenwelt abgeben
\end{itemize}
\item Warum ist es nicht sinnvoll eine lineare Funktion $(y=\alpha x+b)$ als Aktivierungsfunktion in den verdeckten Schichten eines neuronalen Netzes zu verwenden?
\begin{itemize}
\item
\end{itemize}
\item Was verstehen Sie unter Backpropagation?
\begin{itemize}
\item Im Wesentlichen ist Backpropagation ein Algorithmus, der zur schnellen Berechnung von Ableitungen verwendet wird
\item auch Fehlerrückführung oder Rückwärtspropagierung
\item um einen Gradientenabstieg in Bezug auf Gewichtungen zu berechnen
\item gewünschte Ausgaben werden mit erreichten Systemausgaben verglichen, und dann werden die Systeme durch Anpassung der Verbindungsgewichte so eingestellt, dass der Unterschied zwischen den beiden so gering wie möglich ist
\item der Algorithmus hat seinen Namen daher, dass die Gewichtungen rückwärts aktualisiert werden, von der Ausgabe zur Eingabe
\end{itemize}
\item Warum ist eine Stufenfunktion (Rosenblatt-Perceptron) ungünstig für den Backpropagation-Algorithmus?
\begin{itemize}
\item Anpassung schlecht möglich
\end{itemize}
\item Was ist die Learning Rate? Was passiert, wenn sie zu hoch oder niedrig gewählt wird?
\begin{itemize}
\item Sein Wert bestimmt, wie schnell das Neuronale Netz zu Minima konvergieren würde
\item wenn er zu niedrig ist, ist der Konvergenzprozess sehr langsam
\item wenn er zu hoch ist, ist die Konvergenz schnell, aber es besteht die Möglichkeit, dass der Verlust überschreitet
\end{itemize}
\item Was verstehen Sie unter Augmentation? Nennen Sie Beispiele für Augmentation.
\begin{itemize}
\item mit Hilfe von verschiedenen Prozessen die Originalbilddaten verändern
\item Beispielsweise kann ein Bild gedreht werden oder es ist möglich einen Filter über das Bild zu legen
\end{itemize}
\item Warum ist es bei neuronalen Netzen besonders wichtig, die Testdaten beim Training außen vor zu lassen?
\begin{itemize}
\item Um einen korrekten Vergleich mit anderen Netzen und unabhängigkeit vom Training nachzuweisen
\end{itemize}
\item Wie können Sie die Güte eines neuronalen Netzes bewerten?
\begin{itemize}
\item
\end{itemize}
\item Warum ist es potentiell kritisch, wenn mit einem neuronalen Netz ein unscharfes Bild scharf und hochaufgelöst gemacht wird?
\end{itemize}
\begin{itemize}
\item kleine fehlerhafte oder ungenaue Bild-Sektionen können zu größeren Fehlern und Abweichungen von dem Original führen die durch die Hochauflösung überdeckt oder verschoben werden
\end{itemize}
\end{enumerate}
\section{Versuchsdurchführung}
\subsection{Grundkenntnisse zur Anwendung von Deep Learning}