Ein neuronales Netz lässt sich als Folge mathematischer Operationen auf Daten verstehen. Das Einführungsbeispiel von PyTorch klassifiziert Kleidungsbilder: Bildwerte durchlaufen Schichten, die Bewertungen für mögliche Klassen erzeugen. Dies ist eine konkrete Rechenaufgabe, kein Nachweis menschenähnlichen Verstehens.

Manche Schichten enthalten anpassbare Gewichte und Bias-Werte. Lineare Transformationen werden mit nichtlinearen Operationen verbunden. Dadurch lassen sich komplexere Beziehungen zwischen Ein- und Ausgabe darstellen als mit einer rein linearen Kette. Auswahl und Anordnung der Schichten bilden die Architektur.

Das Training beginnt mit dem Vergleich einer Vorhersage mit dem Zielwert eines Beispiels. Eine Verlustfunktion misst den Unterschied entsprechend dem gewählten Ziel. Rückwärtspropagierung berechnet die Gradienten dieses Verlusts bezüglich der Parameter; ein Optimierer nutzt sie zur Parameteranpassung.

Der Ablauf wiederholt sich über die Trainingsdaten. Einstellungen wie die Lernrate beeinflussen die Änderungen. Ein geringerer Trainingsverlust ist aufschlussreich, aber keine vollständige Auswertung: Das Tutorial prüft Vorhersagen zusätzlich anhand eines getrennten Testdatensatzes.

Entscheidend ist die Trennung von Rechenentwurf, Parameteranpassung und Ergebnisauswertung. Das Beispiel belegt nicht die Zuverlässigkeit jedes Netzes für jeden Einsatz. Eine Beschreibung sollte Aufgabe, Daten und Auswertung benennen, statt sich auf das Etikett „intelligent“ zu verlassen.

Quellen: PyTorch: Build the Neural Network; PyTorch: Optimizing Model Parameters.