Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- wieso_weshalb_warum [2024/01/21 13:36] – [...die eigentliche Stärke des Hopfieldnetzes] torsten.roehl
+++ wieso_weshalb_warum [2024/01/21 13:55] (aktuell) – [Beispiel] torsten.roehl
@@ Zeile 6: / Zeile 6: @@
 |Das John Hopfield Physiker war, ist kein Zufall. Tatsächlich ist dieses Netzwerk physikalisch motiviert und bietet interessante Analogien zur statistischen Physik. Wir interessieren uns hier aber nur für die grundlegende Arbeitsweise dieses Netzes und werden daher diese Aspekte nicht weiter vertiefen.  In seinem Originalartikel verwendete Hopfield die Werte 0 und 1 (**binäre Werte**) für die Neuronen. Wir verwenden  in diesem Abschnitt -1 und 1 (**bipolare Werte**)  als Werte für die Neuronen. |<WRAP>{{ :inf:ki:hopield82.png? |}}
-Die erste Seite von Hopfields 1982 erschienenem Artikel:
+Die erste Seite von Hopfields 1982 erschienenem Artikel:\\
-Neural networks and physical systems with emergent collective computational abilities.
+[[https://www.informatics4kids.de/addons-i4k/doc/article/hopfield82.pdf|Neural networks and physical systems with emergent collective computational abilities.]]
 </WRAP> |
@@ Zeile 35: / Zeile 35: @@
 ==== Beispiel ====
+|{{ :inf:ki:bildschirmfoto3.png?230 |}}| <WRAP> **v= {1,1,1,1,-1,-1,-1,1,-1,-1,-1,1,1,1,1,1}**\\
+x4 = 16 Komponenten </WRAP> |
+|{{ :inf:ki:bildschirmfoto2.png?230 |}}|<WRAP> **v={-1,-1,1,1,-1,-1,1,1,1,1,-1,-1,1,1,-1,-1}**\\
+x4 = 16 Komponenten </WRAP> |
+|{{ :inf:ki:gorilla-black-white.jpg? |}} |<WRAP> **v={-1,-1,-1,... , -1, -1}**\\ \\ \\
+Dieses Bild hat 300x300 Pixel also 90.000 Punkte. Diejenigen, die es ganz genau wissen wollen, könnten die Grafik in ein Bildbearbeitungsprogramm laden und die Pixel auszählen...\\
+[[https://www.informatics4kids.de/addons-i4k/doc/misc/gorilla.txt|...so haben wir es ja auch gemacht]] :-x
+ </WRAP> |
@@ Zeile 41: / Zeile 53: @@
 Die eigentliche Stärke des Netzwerkes liegt darin, dass selbst wenn das Eingangsmuster fehlerhaft ist, das entsprechende Ausgabemuster zugeordnet werden kann.  Dabei  verwendet  das Netzwerk das Ausgabemuster zur erneuten Eingabe und nähert sich so schrittweise der Lösung an.
+<WRAP center round info 100%>
+Manchmal kann es vorkommen, dass das Netz sich nicht entscheiden kann, also zwischen verschiedenen Mustern oszilliert, oder aber das Netzwerk  konvergiert zu einem Muster, das dem ursprünglichen entgegengesetzt ist... doch davon später. Auch die spannende Frage, wieviel Muster ein Hopfieldnetz überhaupt zuverlässig speichern kann, verschieben wir vorerst auf einen späteren Abschnitt.
+</WRAP>
+|{{ :inf:ki:memory3.png? |}}|
+| Die Spinne (stark verrauschtes Bild) wurde dem Netzwerk als Eingabemuster präsentiert. Das Netzwerk findet automatisch das Muster, das dem Eingabemuster am ehesten entspricht.|
+|{{ :inf:ki:palmer.png? |}} |
+|<WRAP>Alle Bilder haben eine Größe von 130 x 180 Bildpunkten.  \\ In der **linken Spalte** sind die stark verrauschten Eingabemuster zu sehen. \\  Die **mittlere Spalte** zeigt Zwischenstadien. \\ In der **rechten Spalte** sind die Bilder zu sehen, nachdem das Netzwerk sich stabilisiert (konvergiert) hat. \\ Dieses Netzwerk hatte ursprünglich sieben Bilder gespeichert</WRAP>|
+|//Quelle: Introduction To The Theory Of Neural Computation, Krogh, Palmer.// |