Die Aufgabe: aus 784 Zahlen wird eine Ziffer
Ein Bild ist für den Computer nichts als eine Zahlenliste. Ein 28×28-Graustufenbild besteht aus 784 Helligkeitswerten zwischen 0 (weiß) und 1 (schwarz). Das Netz sieht keine Linien, keine Rundungen, keine „Sieben“ – nur diese 784 Zahlen in immer derselben Reihenfolge.
Das Netz in der folgenden Demo hat die Struktur 784 → 32 → 16 → 10. Es nimmt die 784 Pixelwerte, verdichtet sie auf 32, dann auf 16 Merkmale und gibt schließlich 10 Wahrscheinlichkeiten aus – eine je Ziffer. Insgesamt 25.760 Gewichte, trainiert auf 60.000 handgeschriebenen Ziffern des MNIST-Datensatzes. Auf 10.000 nie gesehenen Testbildern liegt es zu 97,3 % richtig.
Wichtig für das Verständnis: Diese Gewichte liegen als 35-KB-Datei auf dem Server dieser Website. Beim Klicken passiert kein Aufruf bei OpenAI, keine Cloud, kein Internet – Ihr Browser rechnet die paar tausend Multiplikationen selbst, in unter einer Millisekunde.
| Schicht | Neuronen | Gewichte | Biases | Aufgabe |
|---|---|---|---|---|
| Eingabe | 784 | – | – | Die Pixelhelligkeiten, 28 × 28 |
| Verdeckt 1 | 32 | 784 × 32 = 25.088 | 32 | Einfache lokale Muster: Striche, Bögen, Kanten |
| Verdeckt 2 | 16 | 32 × 16 = 512 | 16 | Kombination dieser Muster zu größeren Formen |
| Ausgabe | 10 | 16 × 10 = 160 | 10 | Eine Wahrscheinlichkeit je Ziffer |
| Gesamt | 58 + 784 | 25.760 | 58 | 35 KB als Datei |
Die Demo: malen und beobachten
Malen Sie mit der Maus (oder dem Finger) eine Ziffer in das gestrichelte Feld. Links unten sehen Sie, was das Netz nach der Normierung tatsächlich bekommt, in der Mitte den Signalfluss und unten die Ausgabe.
Klicken Sie auf einen Punkt der ersten Schicht: Dann erscheint das Gewichtsbild dieses Neurons – die Landkarte, nach der es sucht. Diese Muster hat niemand programmiert; sie sind während des Trainings von selbst entstanden.
Was Sie dabei beobachten sollten
- Bei einer sauber gemalten Ziffer schießt ein Ausgabebalken auf über 95 %, die übrigen bleiben flach – das Netz ist sich sicher.
- Malen Sie eine 1 langsam zu einer 7 um: Die Wahrscheinlichkeiten wandern kontinuierlich. Es gibt keinen harten Umschaltpunkt, sondern ein Verschieben von Gewicht.
- Malen Sie etwas, das keine Ziffer ist – einen Kreis, ein Kreuz. Das Netz liefert trotzdem ein Ergebnis, oft mit hoher Sicherheit. Es kann nicht „weiß nicht“ sagen, weil es nie gelernt hat, dass es etwas anderes als Ziffern gibt.
- In der ersten Schicht sind bei jeder Eingabe nur einige Neuronen hell. Unterschiedliche Ziffern erzeugen unterschiedliche Aktivierungsmuster – das ist die gelernte Arbeitsteilung.
- Malen Sie sehr klein in eine Ecke: Es funktioniert trotzdem, weil die Eingabe vorher zugeschnitten und zentriert wird.
Warum die Normierung so wichtig ist
Die MNIST-Ziffern sind alle nach demselben Verfahren aufbereitet: auf 20×20 Pixel skaliert und über ihren Helligkeitsschwerpunkt in einem 28×28-Feld zentriert. Ein Netz, das nur solche Bilder gesehen hat, versagt bei einer Ziffer, die klein in der Ecke klebt – nicht weil es die Form nicht kennt, sondern weil an den entscheidenden Pixelpositionen nichts steht. Die Demo führt deshalb vor jeder Vorhersage dieselbe Normierung durch. Das ist kein Detail am Rande: In echten Projekten steckt regelmäßig mehr Arbeit in der Datenaufbereitung als im Modell selbst.
Von der Aktivierung zur Wahrscheinlichkeit: Softmax
Die letzte Schicht liefert zunächst zehn beliebige Zahlen, sogenannte Logits – etwa 8,2 für die 3 und −1,4 für die 8. Damit daraus Prozentwerte werden, läuft eine Funktion namens Softmax darüber: Jeder Wert wird exponiert (e^z) und durch die Summe aller exponierten Werte geteilt.
Zwei Konsequenzen daraus sollte man kennen. Erstens summieren sich die Ausgaben immer exakt auf 100 % – das Netz verteilt seine Sicherheit, es misst sie nicht. Zweitens verstärkt die Exponentialfunktion Unterschiede: Aus einem Vorsprung von 2 Punkten in den Logits wird schnell ein Verhältnis von 90 zu 10.
Deshalb ist eine hohe Prozentzahl kein Beleg für Richtigkeit. Sie sagt nur: Innerhalb der zehn angebotenen Möglichkeiten passt diese am besten. Dieselbe Mechanik erzeugt später bei Sprachmodellen die selbstbewusst formulierte Falschaussage.
Die Grenzen dieses Netzes
Das Netz in der Demo ist bewusst klein und einfach gebaut, damit man ihm zusehen kann. Für die Praxis hat diese Bauart klare Schwächen, und die zu kennen ist wichtiger, als noch ein Prozent Genauigkeit herauszuholen.
Es behandelt jedes Pixel als eigenständige Eingabe ohne Wissen über Nachbarschaft. Verschiebt man die Ziffern um wenige Pixel, bricht die Erkennung ein – deshalb die aufwendige Normierung. Faltungsnetze (CNN) lösen genau dieses Problem, indem sie kleine Filter über das Bild schieben und dieselben Gewichte an jeder Position wiederverwenden. Sie erreichen auf derselben Aufgabe über 99 % und sind zugleich robuster.
Und die grundsätzliche Grenze bleibt: Ein Modell kennt nur die Welt, die es in den Trainingsdaten gesehen hat. Für alles andere liefert es trotzdem eine Antwort – nur eben eine sinnlose.
| Dieses Netz (MLP) | Faltungsnetz (CNN) | |
|---|---|---|
| Sicht auf das Bild | 784 unabhängige Zahlen, ohne Nachbarschaft | Kleine Filter, die über das Bild wandern |
| Verschiebung der Ziffer | Bricht ein – Normierung nötig | Unkritisch, dieselben Filter greifen überall |
| Genauigkeit auf MNIST | ca. 97 % | über 99 % |
| Parameter | 25.760 | oft weniger, weil Filter wiederverwendet werden |
| Nachvollziehbarkeit | Gewichtsbilder direkt lesbar | Filter lesbar, tiefere Schichten kaum |
| Heute üblich für Bilder | Nein | Ja – bzw. Vision-Transformer |
Praxisbezug: Belegerkennung im Unternehmen
Dasselbe Prinzip steckt in der automatischen Rechnungserfassung. Ein Modell liest Beträge, Datum und Rechnungsnummer aus einem Scan. Es funktioniert hervorragend – solange die Belege den Trainingsdaten ähneln. Kommt ein neuer Lieferant mit ungewohntem Layout, sinkt die Trefferquote, ohne dass das System davon berichtet: Es liefert weiter Zahlen, nur die falschen. Deshalb gehören in jede produktive Lösung zwei Dinge, die in Demos gern fehlen: ein Konfidenzschwellwert, ab dem ein Mensch prüft, und eine laufende Messung der Trefferquote im Betrieb.
Wie man Erkennungsqualität wirklich misst
„97 % Genauigkeit“ klingt eindeutig, ist aber für sich genommen wenig aussagekräftig. Entscheidend ist, wie sich die verbleibenden 3 % verteilen – und was ein Fehler jeweils kostet.
Dafür betrachtet man vier Fälle: richtig erkannt, falsch erkannt, fälschlich gemeldet und übersehen. Daraus ergeben sich zwei Kennzahlen, die in jedem ernsthaften Projekt auftauchen. Präzision beantwortet: Wenn das System etwas meldet, wie oft stimmt es? Trefferquote (Recall) beantwortet: Von allen tatsächlichen Fällen, wie viele hat es gefunden?
Zwischen beiden besteht ein Zielkonflikt, und die Auflösung ist keine technische, sondern eine geschäftliche Entscheidung.
| Anwendung | Wichtiger ist … | Begründung |
|---|---|---|
| Rechnungsprüfung auf Betrug | Trefferquote | Ein übersehener Betrugsfall kostet mehr als zehn Fehlalarme, die jemand kurz prüft |
| Automatische Buchung ohne Prüfung | Präzision | Jede Falschbuchung erzeugt Korrekturaufwand und Misstrauen ins System |
| Vorsortierung von Kundenmails | Ausgewogen | Beide Fehler sind ähnlich lästig, keiner ist teuer |
| Sicherheitsrelevante Bildprüfung | Trefferquote, deutlich | Ein übersehener Defekt kann Personenschaden bedeuten |
Rechenbeispiel
Ein Modell prüft 1.000 Rechnungen auf Auffälligkeiten. Es meldet 40 Fälle, davon sind 30 tatsächlich auffällig. Gleichzeitig gibt es 20 auffällige Rechnungen, die es nicht gemeldet hat. Präzision = 30/40 = 75 % (drei von vier Meldungen sind berechtigt). Trefferquote = 30/50 = 60 % (zwei von fünf Fällen wurden übersehen). Die schlichte „Genauigkeit“ läge hier bei 97 % – weil 950 unauffällige Rechnungen korrekt durchgelassen wurden. Diese Zahl klingt gut und verdeckt genau das Problem.
Das Wichtigste in Kürze
- Ein Bild ist für das Netz nur eine Liste von Zahlen – hier 784 Helligkeitswerte.
- Zwischen Eingabe und Ausgabe passiert ausschließlich Multiplizieren, Addieren und ReLU.
- Softmax macht aus rohen Zahlen eine Verteilung, die sich auf 100 % summiert und Unterschiede überzeichnet.
- Eine hohe Prozentzahl bedeutet nicht Richtigkeit, sondern nur die beste unter den angebotenen Optionen.
- Datenaufbereitung entscheidet oft stärker über die Qualität als die Modellarchitektur.
- Ein Modell kann nicht „weiß nicht“ sagen, wenn es das nie gelernt hat – Konfidenzschwellen und laufendes Monitoring sind Pflicht.
?Wissens-Check
Beantworten Sie die Fragen, um Ihr Verständnis zu prüfen. Sie erhalten sofort eine Rückmeldung.
Frage 1.Wie viele Eingabewerte bekommt das Netz der Demo bei einem 28×28-Bild?
Frage 2.Was leistet die Softmax-Funktion in der Ausgabeschicht?
Frage 3.Sie malen einen Kreis statt einer Ziffer. Was tut das Netz?
Frage 4.Warum wird die gemalte Ziffer vor der Vorhersage zugeschnitten und zentriert?