Fully Connected

Dieser Funktionsblock implementiert eine vollständig verbundene (dichte) Schicht für künstliche neuronale Netzwerke. Er ermöglicht es den Benutzern, die Ausgabengröße und die Aktivierungsfunktion anzupassen, um das Design von Deep-Learning-Modellen zu erleichtern.

📥 Eingänge

Dieser Funktionsblock hat keine Eingänge, da er direkt neuronale Netzwerk-Schichten generiert.

📤 Ausgänge

Dieser Funktionsblock erzeugt keine Ausgaben direkt; stattdessen trägt er zur Architektur eines neuronalen Netzwerkmodells bei, das weiter evaluiert werden kann.

🕹️ Steuerungen

Output Size Ein Dropdown, das es Ihnen ermöglicht, die Anzahl der Ausgabeneuronen in der vollständig verbundenen Schicht festzulegen. Optionen reichen von 8 bis 512.

Activation Function Ein Dropdown-Menü zur Auswahl der Aktivierungsfunktion, die in der Schicht verwendet wird. Verfügbare Optionen sind:

• None

• relu

• sigmoid

• softmax

• softplus

• softsign

• tanh

• selu

• elu

• exponential

🎨 Funktionen

Customizable Layer Settings Benutzer können die Anzahl der Ausgaben und Aktivierungsfunktionen leicht anpassen, um die Leistung ihres Modells während des Trainings zu verfeinern.

Integration with Keras Der Block nutzt die Keras-Bibliothek, um Schichten nahtlos zu erstellen, was eine einfache Integration in größere Modelle ermöglicht.

📝 Nutzungshinweise

1. Open the Block: Fügen Sie den Fully Connected-Block zu Ihrem Arbeitsablauf in AugeLab Studio hinzu.

2. Set Output Size: Wählen Sie die gewünschte Anzahl der Ausgabeneuronen aus dem Dropdown Output Size.

3. Select Activation Function: Wählen Sie die bevorzugte Aktivierungsfunktion aus dem Dropdown Activation Function.

4. Integrate into Model: Die Ausgabe dieses Blocks kann mit anderen Schichten verbunden werden, um ein vollständiges neuronales Netzwerk aufzubauen.

📊 Bewertung

Dieser Funktionsblock trägt eine vollständig verbundene Schicht mit festgelegten Parametern zum neuronalen Netzwerkmodell bei.

💡 Tipps und Tricks

Wählen von Aktivierungsfunktionen

• Bei binären Klassifizierungsaufgaben verwenden Sie sigmoid.

• Bei Mehrklassenklassifizierungen verwenden Sie softmax.

• Bei Regressionsaufgaben sollten Sie linear in Betracht ziehen (auf None setzen).

Schichtenstapelung

Wenn Sie tiefere Netzwerke erstellen, sollten Sie in Erwägung ziehen, mehrere vollständig verbundene Schichten mit geeigneten Aktivierungsfunktionen zwischen jeder Schicht zu stapeln, um die Modellkapazität zu verbessern.

Ausgabengröße anpassen

Experimentieren Sie mit verschiedenen Ausgabengrößen, um die optimale Konfiguration für Ihr spezifisches Datenset zu finden. Schichten mit zu wenigen Neuronen können underfitting verursachen, während zu viele zu overfitting führen können.

🛠️ Fehlersuche

Schicht funktioniert nicht wie erwartet

Stellen Sie sicher, dass die Ausgabengröße und die Aktivierungsfunktion korrekt für Ihren spezifischen Anwendungsfall eingestellt sind. Überprüfen Sie auch die Verbindungen von vorherigen Schichten, um einen ordnungsgemäßen Datenfluss sicherzustellen.

Leistungsprobleme

Wenn Ihr Modell schlecht abschneidet, sollten Sie die Ausgabengröße oder die Aktivierungsfunktion anpassen oder Techniken wie Dropout oder Regularisierung implementieren, um overfitting zu vermeiden.