Neuronale Netze
Wie funktionieren neuronale Netze?
Neuronale Netze verständlich erklärt: Neuronen, Gewichte, Bias, Aktivierungsfunktion, Loss, Backpropagation und Gradientenabstieg – Schritt für Schritt.
- Schwierigkeit
- Mittel
- Lesezeit
- ca. 3 Min.
- Aktualisiert
- 5.8.2026
- Voraussetzung
- Deep Learning
Kurz erklärt
Ein künstliches neuronales Netz ist ein mathematisches Modell aus vielen einfachen Recheneinheiten, den Neuronen, die in Schichten angeordnet und über gewichtete Verbindungen verknüpft sind. Jedes Neuron summiert seine gewichteten Eingaben, addiert einen Bias und wendet eine nichtlineare Aktivierungsfunktion an. Beim Training wird der Fehler am Ausgang mit Backpropagation auf alle Gewichte zurückgeführt und diese per Gradientenabstieg schrittweise angepasst.
Warum gibt es neuronale Netze?
Gesucht war eine Modellform, die beliebige Zusammenhänge zwischen Eingabe und Ausgabe abbilden kann, ohne dass man deren Form vorher kennt. Ein Netz aus einfachen nichtlinearen Einheiten leistet das: Mit genügend Neuronen lässt sich jede stetige Funktion beliebig genau annähern. Der Name ist eine lose Anleihe bei der Biologie – die Rechenvorschrift hat mit einem Gehirn wenig zu tun.
Wie funktioniert ein neuronales Netz?
Ebene 1, verständlich: Die Eingabewerte fließen durch das Netz. Jede Verbindung verstärkt oder dämpft ein Signal, jede Einheit entscheidet, wie stark sie weitergibt. Am Ende steht ein Ergebnis. Ist es falsch, werden alle beteiligten Verbindungen ein Stück in die Richtung verändert, die den Fehler verringert hätte.
Der Rechenschritt eines Neurons
Ebene 2, technisch: Ein Neuron berechnet z = w₁x₁ + w₂x₂ + … + wₙxₙ + b und gibt a = f(z) aus. Dabei sind w die Gewichte, b der Bias und f die Aktivierungsfunktion. Ohne f wäre das gesamte Netz nur eine lineare Abbildung, unabhängig von seiner Tiefe.
Wie ein Netz lernt
Die Begriffe des Trainings
- Gewicht (w): Stärke einer Verbindung. Alle Gewichte zusammen bilden das gelernte Wissen des Modells.
- Bias (b): Verschiebung des Schwellwerts, ab dem ein Neuron reagiert.
- Aktivierungsfunktion: nichtlineare Funktion, meist ReLU in verborgenen Schichten, Softmax am Ausgang bei Klassifikation.
- Loss: Maß für den Fehler, etwa mittlerer quadratischer Fehler bei Regression, Kreuzentropie bei Klassifikation.
- Backpropagation: Anwendung der Kettenregel, um den Beitrag jedes Gewichts zum Fehler zu bestimmen.
- Gradientenabstieg: Anpassung w ← w − η · ∂L/∂w mit der Lernrate η.
- Epoche: ein vollständiger Durchlauf durch die Trainingsdaten.
Ein einfaches Beispiel
Ein Netz soll aus Fläche, Zimmerzahl und Baujahr einen Mietpreis schätzen. Es beginnt mit zufälligen Gewichten und liefert Unsinn. Nach jedem Beispiel wird die Abweichung berechnet und die Gewichte werden minimal korrigiert. Nach vielen Durchläufen bildet das Netz den Zusammenhang zuverlässig ab – auch die nichtlinearen Anteile, die eine einfache Geradengleichung nicht erfassen würde.
Stärken und Grenzen
- Stärke: sehr flexibel, benötigt keine Annahme über die Form des Zusammenhangs.
- Stärke: Grundlage aller modernen KI-Architekturen.
- Grenze: benötigt viele Beispiele und sorgfältige Wahl von Lernrate, Größe und Regularisierung.
- Grenze: das gelernte Wissen steckt in Zahlenwerten und ist nicht unmittelbar lesbar.
Zusammenhang mit anderen KI-Technologien
Vollständig verbundene Netze sind der Ausgangspunkt. Für Bilder ergänzt das CNN eine räumliche Struktur, für Sequenzen führt das RNN eine zeitliche Rückkopplung ein, und der Transformer ersetzt die Rückkopplung durch Attention.
Häufige Fragen – kurz beantwortet
Jede Antwort ist eigenständig verständlich, auch ohne den restlichen Artikel.
Wie funktioniert ein neuronales Netz?
Ein künstliches neuronales Netz besteht aus Schichten einfacher Recheneinheiten. Jede Einheit gewichtet ihre Eingaben, addiert einen Bias und wendet eine nichtlineare Aktivierungsfunktion an. Durch das Zusammenspiel vieler solcher Einheiten kann das Netz komplexe Zusammenhänge zwischen Eingabe und Ausgabe abbilden.
Was ist Backpropagation?
Backpropagation ist das Verfahren, mit dem der Fehler eines neuronalen Netzes schichtweise rückwärts in Gradienten für jedes Gewicht umgerechnet wird. Ein Optimierungsverfahren wie der Gradientenabstieg passt die Gewichte anschließend in kleinen Schritten an, sodass der Fehler über viele Durchläufe sinkt.
Wozu dient die Aktivierungsfunktion?
Die Aktivierungsfunktion führt Nichtlinearität ein. Ohne sie wäre jede Abfolge von Schichten mathematisch auf eine einzige lineare Abbildung reduzierbar, und das Netz könnte keine komplexen Zusammenhänge lernen.
Warum sind neuronale Netze schwer nachvollziehbar?
Das Wissen eines Netzes liegt verteilt in Millionen numerischer Gewichte, nicht in lesbaren Regeln. Einzelne Gewichte besitzen keine eigenständige Bedeutung, weshalb sich eine konkrete Ausgabe nur näherungsweise über Analysemethoden erklären lässt.
Einordnung im Wissensnetz
- Hauptthema dieser Seite
- Künstliches neuronales Netz
- Verwandte Begriffe
- Backpropagation · Deep Learning · Perzeptron
Fachliche Grundlage: Deep Learning. Der nächste Schritt im Lernpfad ist CNN.
Quellen & weiterführendes Lernen
Belege für die fachlichen Aussagen dieses Artikels und ausgewählte externe Lernangebote. Externe Anbieter sind keine Partner von Mojora AI.
Quellen
- Learning representations by back-propagating errors (öffnet in neuem Tab)
David Rumelhart, Geoffrey Hinton, Ronald Williams · Nature 323, 533–536 · 1986
Originalarbeit, die Backpropagation als Lernverfahren etablierte.
nature.com
- Multilayer feedforward networks are universal approximators
Kurt Hornik, Maxwell Stinchcombe, Halbert White · Neural Networks 2(5), 359–366 · 1989
Beweis, dass mehrschichtige Netze beliebige stetige Funktionen annähern können.
- A logical calculus of the ideas immanent in nervous activity
Warren McCulloch, Walter Pitts · Bulletin of Mathematical Biophysics 5, 115–133 · 1943
Erstes formales Modell eines künstlichen Neurons.
Weiterlernen
- Neural Networks – Machine Learning Crash Course (öffnet in neuem Tab)
Google for Developers
Aufbau von Schichten, Aktivierungsfunktionen und Training, Schritt für Schritt mit Beispielen.
developers.google.com
- Learn the Basics (öffnet in neuem Tab)
PyTorch
Vom Tensor bis zur Trainingsschleife – ein neuronales Netz von Grund auf.
pytorch.org
- CS231n – Deep Learning for Computer Vision (öffnet in neuem Tab)
Stanford University
Universitätskurs zu neuronalen Netzen in der Bildverarbeitung, mit offenem Skriptum.
cs231n.stanford.edu