Informatik KI – Convolutional Neural Networks
Karteikarten zum Thema „Informatik“ · 15 Karten · von atrio. Beispiele: Was ist der Hauptzweck eines Convolutional Neural Networks? · Was bewirkt ein Convolu…
Karten
15 KartenWas ist der Hauptzweck eines Convolutional Neural Networks?
Rückseite
CNNs extrahieren hierarchisch räumliche Merkmale aus Bilddaten durch Faltungsoperationen und eignen sich dadurch optimal für Klassifikation, Detektion und Segmentierung.
Was bewirkt ein Convolution-Layer mathematisch?
Rückseite
Er faltet den Input mit lernbaren Kerneln (Filtern), erzeugt Feature Maps und detektiert lokale Muster wie Kanten oder Texturen durch gewichtete Summenbildung.
Welche drei Parameter bestimmen die Ausgabegröße eines Convolution-Layers?
Rückseite
Kernel-Größe, Stride (Schrittweite) und Padding (Randauffüllung) definieren gemeinsam die räumlichen Dimensionen der Output-Feature-Map.
Was ist der Unterschied zwischen Valid- und Same-Padding?
Rückseite
Valid-Padding fügt keine Nullen hinzu (Output schrumpft), Same-Padding fügt Nullen so hinzu, dass Output-Größe bei Stride 1 der Input-Größe entspricht.
Wozu dient Pooling in CNNs?
Rückseite
Pooling reduziert die räumliche Dimension der Feature Maps, verringert Parameterzahl und Rechenaufwand und schafft Translationsinvarianz gegenüber kleinen Verschiebungen.
Was unterscheidet Max-Pooling von Average-Pooling?
Rückseite
Max-Pooling nimmt den Maximalwert im Fenster (betont stärkste Aktivierung), Average-Pooling berechnet den Mittelwert (glättet stärker).
Warum wird ReLU als Aktivierungsfunktion in CNNs bevorzugt?
Rückseite
ReLU (max(0,x)) vermeidet das Vanishing-Gradient-Problem, ist rechnerisch günstig und erzeugt spärliche Aktivierungen, was die Modellleistung verbessert.
Was ist Parameter Sharing bei Convolution-Layern?
Rückseite
Derselbe Kernel wird über alle räumlichen Positionen des Inputs geschoben – Gewichte werden geteilt, was die Parameterzahl drastisch gegenüber Fully-Connected-Layern reduziert.
Welche Rolle spielt der Fully-Connected-Layer am Ende eines CNNs?
Rückseite
Er aggregiert die hochleveligen Features aus den vorherigen Layern und führt die finale Klassifikation durch Matrixmultiplikation mit Gewichtsmatrix durch.
Was versteht man unter einer Feature Map?
Rückseite
Eine Feature Map ist die Ausgabe eines Filters – ein 2D-Array, das anzeigt, wo im Input ein bestimmtes Merkmal (z. B. vertikale Kante) detektiert wurde.
Nenne die Layer-Reihenfolge der klassischen LeNet-5-Architektur.
Rückseite
Conv → Pool → Conv → Pool → Flatten → FC → FC → Output. Pionierarchitektur für Ziffernerkennung (MNIST) von Yann LeCun (1998).
Was ist der Kernvorteil von Residual-Blöcken (ResNet)?
Rückseite
Skip-Connections ermöglichen Gradientendurchfluss unverändert durch das Netzwerk, lösen Degradation bei sehr tiefen Netzen und erlauben Hunderte Layer.
Wozu dient Transfer Learning bei CNNs?
Rückseite
Vortrainierte Gewichte (z. B. ImageNet) werden als Feature-Extraktor genutzt und nur die letzten Layer für die neue Aufgabe feinjustiert – spart Daten und Rechenzeit.
Nenne drei gängige Data-Augmentation-Techniken für Bilddaten.
Rückseite
Zufälliges Spiegeln, Drehen, Skalieren, Zuschneiden (Random Crop), Farbjitter oder Gauss-Rauschen – erhöhen Datendiversität und reduzieren Overfitting.
Was bewirkt ein 1×1-Convolution-Layer (Pointwise Convolution)?
Rückseite
Er verändert nur die Kanaldimension (Tiefe) ohne räumliche Reduktion, dient Dimensionsreduktion, -erweiterung oder nicht-linearer Rekombination von Kanälen.