{"id":174245,"date":"2026-01-28T17:03:49","date_gmt":"2026-01-28T16:03:49","guid":{"rendered":"https:\/\/liora.io\/de\/?p=174245"},"modified":"2026-02-23T14:03:41","modified_gmt":"2026-02-23T13:03:41","slug":"python-deep-learning-die-basics","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/python-deep-learning-die-basics","title":{"rendered":"Python Deep Learning: Die Basics"},"content":{"rendered":"\n

Python Deep Learning: Es ist sehr wahrscheinlich, dass du in deinem Alltag Anwendungen nutzt, die auf Deep-Learning-Modelle zur\u00fcckgreifen. \u00dcbersetzungen, OCR, Gesichtserkennung… Verschiedene deiner Anwendungen beinhalten Deep Learning.<\/strong><\/p>\n\n\n\n

Diese Anwendung von Python Deep Learning<\/strong> wurde durch die Verf\u00fcgbarkeit gro\u00dfer Datenmengen, die Algorithmen ben\u00f6tigen, um effizient zu sein, und durch die zunehmende Rechenleistung von Maschinen, die das Training dieser Algorithmen erm\u00f6glicht, m\u00f6glich.<\/p>\n\n\n\n

Deep-Learning-Modelle<\/a> k\u00f6nnen in verschiedenen Sprachen erstellt und trainiert werden, aber in diesem Artikel verwenden wir Python und seine speziell f\u00fcr Deep Learning entwickelten Bibliotheken: Tensorflow und Keras. Keras ist eine Open-Source-Bibliothek<\/a>, die entwickelt wurde, um alle wichtigen Werkzeuge f\u00fcr das Experimentieren mit neuronalen Netzen bereitzustellen.<\/p>\n\n\n\n

Es ist notwendig, die Bibliothek auf deiner Arbeitsumgebung zu installieren. Die Google Colab-Umgebung<\/a> bietet den Gro\u00dfteil der Voraussetzungen f\u00fcr Deep Learning und Data Science.<\/p>\n\n\n\n

Trainiere dein erstes neuronales Netz<\/h2>\n\n\n\n

Nachdem du dich mit den Tools vertraut gemacht hast, die du f\u00fcr Deep Learning<\/a> verwenden kannst, ist es nun an der Zeit, selbst Hand anzulegen und dein erstes Deep-Learning-Modell zu bauen, zu trainieren und auszuwerten.<\/strong> Aber dabei wirst du nicht allein sein. Wir haben f\u00fcr dich ein Tutorial entworfen, das die wichtigsten Schritte behandelt, die ein Data Scientist beim Trainieren eines neuronalen Netzes<\/a> durchf\u00fchrt.<\/p>\n\n\n\n

Wir werden diese Schritte erkl\u00e4ren, damit du den Prozess f\u00fcr deine zuk\u00fcnftigen Modellierungen durchf\u00fchren kannst. \u00d6ffne zuerst dein Jupyter- oder Colab-Notebook<\/a>, um den ersten Schritt in Angriff zu nehmen. Du kannst die Zellen einfach in dein Notebook kopieren, aber wir empfehlen dir dringend, selbst zu kodieren, um die Syntax besser zu verinnerlichen.<\/p>\n\n\n\n

Denke daran, dass \u00dcbung den Meister macht.<\/p>\n\n\n\n

Daten laden:<\/h2>\n\n\n\n

Es ist allgemein bekannt, dass man f\u00fcr ein Deep-Learning-Projekt (oder f\u00fcr Data Science im Allgemeinen)<\/a> eine gro\u00dfe Menge an Daten ben\u00f6tigt. Der erste Schritt ist daher nat\u00fcrlich die Auswahl und der Import unserer Daten. Der Datensatz, den wir verwenden werden, ist unter Datenwissenschaftlern sehr bekannt, es handelt sich um den MNIST-Datensatz<\/a>, der fast 60.000 28×28 Pixel gro\u00dfe Bilder von handgeschriebenen Zahlen mit numerischen Zahlen als Zielvariable enth\u00e4lt. Das Ziel unseres Modells wird es sein, die geschriebene Zahl auf dem Bild zu erkennen.<\/p>\n\n\n\n

Im Skript findest du den Import der Bibliotheken, die wir f\u00fcr unsere Modellierung ben\u00f6tigen.<\/a> Du wirst auch feststellen, dass das Dataset im Keras-Modul enthalten ist und dass wir zwei verschiedene Datens\u00e4tze haben, den Trainingsteil (train) und den Testteil (test). Als Ergebnis der Ausf\u00fchrung dieser ersten Zelle erh\u00e4ltst du die Gr\u00f6\u00dfe des Datasets sowie die Abmessungen der Bilder. Hier werfen wir einen Blick auf eine zuf\u00e4llige Auswahl von Bildern mit ihren entsprechenden Labels. Hier ist ein Beispiel f\u00fcr die Ausf\u00fchrung der obigen Zelle.<\/p>\n\n\n\n

Vorverarbeitung von Daten<\/h2>\n\n\n\n

Nachdem du deine Daten hochgeladen hast, musst du sicherstellen, dass sie f\u00fcr die Trainingsphase bereit sind. Um dies zu erreichen, wendest du einige Transformationen auf deine Daten an. Dazu geh\u00f6ren das \u00c4ndern der Gr\u00f6\u00dfe, das Normalisieren und das Kodieren der Daten.<\/strong><\/p>\n\n\n\n

Aber keine Panik, auch hier werden wir dich durch den Prozess begleiten und jede Vorverarbeitung wird erkl\u00e4rt. Gr\u00f6\u00dfen\u00e4nderung: Eine Besonderheit der Algorithmen des maschinellen Lernens und des Deep Learning<\/a> ist, dass sie keine Matrizen als Eingabe nehmen. Dies f\u00fchrt dazu, dass du deine 28×28-Matrizen in Vektoren der Gr\u00f6\u00dfe 784 umwandeln musst.<\/p>\n\n\n\n

Normalisierung: Dieser Schritt ist f\u00fcr das Training deines Modells nicht zwingend erforderlich, kann aber seine Leistung steigern. Die Normalisierung wird angewendet, indem jedes Pixel durch 255 geteilt wird. Lies diesen Artikel, um mehr \u00fcber Normalisierung zu erfahren. Kodierung: Die Umwandlung von Labels in kategoriale Vektoren verbessert die Vorhersagegenauigkeit.<\/p>\n\n\n\n

Definition des Modells :<\/h2>\n\n\n\n

Da deine Daten nun (wirklich) fertig sind, kannst du mit der Modellierung deines neuronalen Netzes<\/a> fortfahren. Hier wirst du dein Modell Schicht f\u00fcr Schicht aufbauen.<\/p>\n\n\n\n

Auch hier bist du bei der Umsetzung nicht allein. Wir werden dich bei der Modellierung des Netzes unten begleiten.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

input und output: gleiche Farbe
mittlere Schichten: gleiche Farbe<\/p>\n\n\n\n

Beispiel:<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Das Modell besteht aus einer Eingabeschicht (Input layer)<\/strong> mit einer Anzahl von Neuronen, die der Anzahl von Merkmalen entspricht, die ein Datensatz haben kann, in unserem Fall ist das die Anzahl der Pixel eines Bildes. Du definierst deine Eingabeschicht mithilfe des Input-Konstruktors von keras.layers und gibst die Gr\u00f6\u00dfe unserer Daten an.<\/p>\n\n\n\n

Hidden Layers werden mit dem Konstruktor Dense definiert, wobei das Argument units dazu dient, die Anzahl der Neuronen in einer Schicht anzugeben. F\u00fcr dein Modell initialisierst du die erste Schicht mit 20 Neuronen und die zweite Schicht mit 14 Neuronen.<\/a> Die beiden verborgenen Schichten werden die Aktivierungsfunktion relu verwenden.<\/p>\n\n\n\n

Die Ausgabeschicht (Output Layer) hat eine Neuronenanzahl, die der Anzahl der verschiedenen Klassen entspricht<\/a>, hier die Anzahl der Ziffern, also 10. Du benutzt auch den Konstruktor Dense mit der Funktion softmax, die uns eine Verteilung zwischen 0 und 1 gibt, was die Wahrscheinlichkeit ist, dass unsere Daten den entsprechenden Klassen angeh\u00f6ren.<\/p>\n\n\n\n

Hier ist deine Vorlage, die nach der Ausf\u00fchrung des obigen Codes definiert wurde.<\/p>\n\n\n\n

Modell kompilieren :<\/h2>\n\n\n\n

Wir wissen, dass du unbedingt mit dem Training des Modells fortfahren willst, aber es gibt noch einen letzten kleinen Schritt, der getan werden muss: das Kompilieren unseres Modells.<\/p>\n\n\n\n

Die compile-Methode konfiguriert den Prozess des Modelltrainings, indem sie drei wichtige Parameter angibt.<\/p>\n\n\n\n