{"id":54780,"date":"2020-01-04T00:00:00","date_gmt":"2020-01-03T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/nejroseti-kuda-eto-vse-dvizhetsya"},"modified":"2020-02-18T14:02:50","modified_gmt":"2020-02-18T11:02:50","slug":"nejroseti-kuda-eto-vse-dvizhetsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/nejroseti-kuda-eto-vse-dvizhetsya","title":{"rendered":"Neuro-Netze. Wohin geht die Reise?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Der Artikel besteht aus zwei Teilen:<\/p>\n<p><\/p>\n<ol>\n<li>Eine kurze Beschreibung einiger Architekturen von Netzwerken zur Objekterkennung in Bildern und zur Segmentierung von Bildern, versehen mit den verst\u00e4ndlichsten f\u00fcr mich verf\u00fcgbaren Links zu Ressourcen. Ich habe versucht, erkl\u00e4rende Videos auszuw\u00e4hlen, vorzugsweise in deutscher Sprache.<\/li>\n<li>Der zweite Teil besteht darin, die Richtung der Entwicklung von Architekturen neuronaler Netzwerke und der darauf basierenden Technologien zu verstehen.<\/li>\n<\/ol>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Neuro-Netze. Wohin geht die Reise?\" src=\"\/wp-content\/uploads\/2020\/01\/3e0238547dc956dbb069c11241e4534f.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Abbildung 1 \u2013 Die Architekturen neuronaler Netzwerke zu verstehen, ist nicht einfach.<\/p>\n<p><\/p>\n<p>Alles begann damit, dass ich zwei Demoprogramme zur Klassifizierung und Objekterkennung auf einem Android-Smartphone erstellt habe:<\/p>\n<p><\/p>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/junkyard\/tree\/master\/object_classifier\">Back-end-Demo<\/a><\/noindex>, bei der die Daten auf einem Server verarbeitet und dann auf das Telefon \u00fcbertragen werden. Die Klassifizierung von Bildern (image classification) von drei B\u00e4renarten: Braunb\u00e4r, Schwarzb\u00e4r und Pl\u00fcschb\u00e4r.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/android\/tree\/master\/object_detection_demo\">Front-end-Demo<\/a><\/noindex>, bei der die Daten direkt auf dem Smartphone verarbeitet werden. Objekterkennung (object detection) von drei Arten: Haselnuss, Feige und Dattel.<\/li>\n<\/ul>\n<p><noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>Es gibt einen Unterschied zwischen den Aufgaben der Bildklassifizierung, der Objekterkennung in Bildern und <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/analytics-vidhya\/image-classification-vs-object-detection-vs-image-segmentation-f36db85fe81\">der Bildsegmentierung.<\/a><\/noindex>. Daher wurde die Notwendigkeit erkannt, welche Architekturen von neuronalen Netzen Objekte in Bildern erkennen und welche segmentieren k\u00f6nnen. Ich habe die folgenden Beispiele f\u00fcr Architekturen gefunden, mit den f\u00fcr mich verst\u00e4ndlichsten Links zu Ressourcen:<\/p>\n<p><\/p>\n<ul>\n<li>Eine Reihe von Architekturen basierend auf R-CNN (<strong>R<\/strong>Regionen mit <strong>C<\/strong>Konvolution <strong>N<\/strong>neuronalen <strong>N<\/strong>Netzwerkfeatures): R-CNN, Fast R-CNN, <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@smallfishbigsea\/faster-r-cnn-explained-864d4fb7e3f8\">Faster R-CNN<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/0vt05rQqk_I\">Mask R-CNN<\/a><\/noindex>. F\u00fcr die Objekterkennung in einem Bild werden mittels des Region Proposal Network (RPN) begrenzte Regionen (Bounding Boxes) ausgew\u00e4hlt. Zuvor wurde ein langsamerer Mechanismus namens Selective Search verwendet. Die ausgew\u00e4hlten Regionen werden dann einem normalen neuronalen Netzwerk zur Klassifizierung zugef\u00fchrt. In der R-CNN-Architektur gibt es explizite \u201efor\u201c-Schleifen, die \u00fcber die begrenzten Regionen iterieren, insgesamt bis zu 2000 Durchl\u00e4ufe durch das interne Netzwerk AlexNet. Aufgrund der expliziten \u201efor\u201c-Schleifen wird die Verarbeitungsgeschwindigkeit der Bilder verlangsamt. Die Anzahl der expliziten Schleifen, die Durchl\u00e4ufe durch das interne neuronale Netzwerk, nimmt mit jeder neuen Version der Architektur ab, und es werden zahlreiche andere \u00c4nderungen vorgenommen, um die Geschwindigkeit zu erh\u00f6hen und die Aufgabe der Objekterkennung in der Mask R-CNN in die Segmentierung von Objekten zu ersetzen.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/L0tzmv--CGY\">YOLO<\/a><\/noindex> (<strong>Y<\/strong>nur <strong>D<\/strong>schaut <strong>L<\/strong>Buch <strong>D<\/strong>nce) \u2013 das erste neuronale Netzwerk, das Objekte in Echtzeit auf mobilen Ger\u00e4ten erkennt. Das Besondere: die Unterscheidung von Objekten in einem Durchgang (es gen\u00fcgt, einmal hinzuschauen). Das bedeutet, dass es in der YOLO-Architektur keine expliziten \u201efor\u201c-Schleifen gibt, was das Netzwerk schnell macht. Ein passender Vergleich: In NumPy gibt es bei Matrixoperationen ebenfalls keine expliziten \u201efor\u201c-Schleifen, diese werden in NumPy auf niedrigeren Architektur-Ebenen \u00fcber die Programmiersprache C realisiert. YOLO verwendet ein Gitter aus vordefinierten Fenstern. Um zu verhindern, dass dasselbe Objekt mehrfach erkannt wird, wird ein \u00dcberlappungsfaktor der Fenster (IoU, <strong>I<\/strong>Schnittmenge <strong>o<\/strong>\u00fcber <strong>U<\/strong>Vereinigung). Diese Architektur funktioniert in einem breiten Spektrum und bietet hohe <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%A0%D0%BE%D0%B1%D0%B0%D1%81%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C\">Robustheit<\/a><\/noindex>: Das Modell kann auf Fotografien trainiert werden, funktioniert jedoch auch gut bei Zeichnungen.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/P8e-G-Mhx4k\">SSD<\/a><\/noindex> (<strong>O<\/strong>einzelne <strong>O<\/strong>MultiBox <strong>OS-Angriffen<\/strong>etector) \u2013 die erfolgreichsten \u00abHacks\u00bb der YOLO-Architektur (zum Beispiel Non-Maximum Suppression) werden verwendet und neue hinzugef\u00fcgt, damit das neuronale Netzwerk schneller und pr\u00e4ziser arbeitet. Ein hervorstechendes Merkmal: Die Unterscheidung von Objekten in einem Durchlauf mithilfe eines vordefinierten Fensterrasters (default box) auf einer Bildpyramide. Die Bildpyramide wird in konvolutionalen Tensoren kodiert, die bei aufeinanderfolgenden Faltung- und Pooling-Operationen (wobei die r\u00e4umliche Dimension bei Max-Pooling abnimmt) bearbeitet werden. Auf diese Weise werden sowohl gro\u00dfe als auch kleine Objekte in einem Durchlauf des Netzwerks festgestellt.<\/li>\n<li>MobileSSD (<strong>Mobil<\/strong>NetV2 + <strong>SSD<\/strong>) \u2013 eine Kombination aus zwei Architekturtypen neuronaler Netzwerke. Das erste Netzwerk <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/352804\/\">MobileNetV2<\/a><\/noindex> arbeitet schnell und erh\u00f6ht die Genauigkeit der Erkennung. MobileNetV2 wird anstelle von VGG-16 verwendet, das urspr\u00fcnglich in <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1512.02325\">dem Originalartikel<\/a><\/noindex>. Das zweite Netzwerk SSD bestimmt die Position von Objekten im Bild.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/ge_RT5wvHvY\">SqueezeNet<\/a><\/noindex> \u2013 ein sehr kleines, aber pr\u00e4zises neuronales Netzwerk. Es alleine l\u00f6st das Problem der Objekterkennung nicht. Allerdings kann es in Kombination mit verschiedenen Architekturen verwendet werden und findet Anwendung in mobilen Ger\u00e4ten. Ein hervorstechendes Merkmal ist, dass die Daten zuerst auf vier 1\u00d71-Faltungsfilter komprimiert und dann auf vier 1\u00d71- und vier 3\u00d73-Faltungsfilter erweitert werden. Eine solche Iteration der Datenkompression und -erweiterung wird als \u201eFire Module\u201c bezeichnet.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/b6jhopSMit8\">DeepLab<\/a><\/noindex> (Semantic Image Segmentation with Deep Convolutional Nets) \u2013 die Segmentierung von Objekten auf einem Bild. Ein besonderes Merkmal der Architektur ist die dilatierte Faltung, die die r\u00e4umliche Aufl\u00f6sung beibeh\u00e4lt. Danach folgt eine Nachbearbeitungsphase mit einem grafischen Wahrscheinlichkeitsmodell, was es erm\u00f6glicht, kleine St\u00f6rungen in der Segmentierung zu beseitigen und die Qualit\u00e4t des segmentierten Bildes zu verbessern. Hinter dem eindrucksvollen Namen \u201egrafisches Wahrscheinlichkeitsmodell\u201c verbirgt sich ein normaler Gaussfilter, der an f\u00fcnf Punkten approximiert ist.<\/li>\n<li>Ich habe versucht, das Ger\u00e4t zu verstehen <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1711.06897\">RefineDet<\/a><\/noindex> (Single-Shot <strong>Refine<\/strong>ment Neural Network for Object <strong>Det<\/strong>Ich habe mir die Sektion angeschaut, aber wenig verstanden.<\/li>\n<li>Ich habe mir auch angesehen, wie die Technologie \"Aufmerksamkeit\" (attention) funktioniert: <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/W2rWgXJBZhU\">Video 1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/iDulhoQ2pro\">Video 2<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/H6Qiegq_36c\">Video 3<\/a><\/noindex>. Ein hervorstechendes Merkmal der Architektur \"Aufmerksamkeit\" ist die automatische Identifizierung von Bereichen mit hoher Aufmerksamkeit im Bild (RoI, <strong>R<\/strong>Regions <strong>o<\/strong>f <strong>I<\/strong>interest) durch ein neuronales Netzwerk, das als Attention Unit bezeichnet wird. Bereiche mit hoher Aufmerksamkeit \u00e4hneln begrenzten Regionen (bounding boxes), sind jedoch im Gegensatz dazu nicht fixiert und k\u00f6nnen unscharfe Grenzen haben. Dann werden aus den Bereichen mit hoher Aufmerksamkeit Merkmale (Features) extrahiert, die in rekurrenten neuronalen Netzen mit Architekturen <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/5lUUrREboSk\">LSTM, GRU oder Vanilla RNN<\/a><\/noindex>verarbeitet werden. Rekurrente neuronale Netze sind in der Lage, Beziehungen zwischen Merkmalen in einer Sequenz zu analysieren. Sie wurden urspr\u00fcnglich f\u00fcr die \u00dcbersetzung von Texten in andere Sprachen verwendet und nun auch zur \u00dcbersetzung <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">von Bildern in Text<\/a><\/noindex> und <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">von Text in Bilder<\/a><\/noindex>.<\/li>\n<\/ul>\n<p><\/p>\n<p>W\u00e4hrend ich diese Architekturen studierte, <strong>wurde mir klar, dass ich nichts verstehe.<\/strong>. Das Problem liegt nicht daran, dass mein neuronales Netzwerk Schwierigkeiten mit dem Aufmerksamkeitsmechanismus hat. Die Erstellung all dieser Architekturen erinnert an einen riesigen Hackathon, bei dem die Entwickler in ihren Hacks konkurrieren. Ein Hack ist eine schnelle L\u00f6sung f\u00fcr ein schwieriges Softwareproblem. Es gibt also zwischen all diesen Architekturen keine sichtbare und nachvollziehbare logische Verbindung. Was sie verbindet, ist eine Sammlung der besten Hacks, die sie sich gegenseitig entleihen, plus ein gemeinsames Thema. <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/Ilg3gGewQ5U\">Faltungen mit R\u00fcckkopplung<\/a><\/noindex> (Fehler-R\u00fcckpropagation, backpropagation). Es fehlt <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/272473\/\">an systemischem Denken<\/a><\/noindex>! Unklar bleibt, was ge\u00e4ndert werden muss und wie man die bestehenden Errungenschaften optimieren kann.<\/p>\n<p><\/p>\n<p>Aufgrund des Mangels an logischen Verbindungen zwischen den Hacks ist es \u00e4u\u00dferst schwierig, diese zu merken und in der Praxis anzuwenden. Es handelt sich um fragmentiertes Wissen. Bestenfalls bleiben ein paar interessante und \u00fcberraschende Punkte im Ged\u00e4chtnis, w\u00e4hrend der Gro\u00dfteil des Verstandenen und Unverstandenen bereits nach wenigen Tagen aus dem Ged\u00e4chtnis verschwindet. Es w\u00e4re schon gut, wenn man nach einer Woche wenigstens den Namen einer Architektur wiedererkennen k\u00f6nnte. Und man hat schlie\u00dflich mehrere Stunden und sogar Tage Arbeitszeit in das Lesen von Artikeln und das Ansehen von \u00dcberblicksvideos investiert!<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Neuro-Netze. Wohin geht die Reise?\" src=\"\/wp-content\/uploads\/2020\/01\/86f0f24e3be1d0f1a210f3132897d981.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Abbildung 2 \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/www.asimovinstitute.org\/neural-network-zoo\/\">Zoo der neuronalen Netzwerke<\/a><\/noindex><\/p>\n<p><\/p>\n<p>Meiner Ansicht nach bem\u00fchen sich die meisten Autoren wissenschaftlicher Artikel, selbst die fragmentierten Erkenntnisse f\u00fcr die Leser unverst\u00e4ndlich zu machen. Aber Partizipialkonstruktionen in zehnzeiligen S\u00e4tzen mit aus \u201eder Luft gegriffenen\u201c Formeln \u2013 das ist ein Thema f\u00fcr einen eigenen Artikel (Problem <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Publish_or_perish\">publish or perish<\/a><\/noindex>).<\/p>\n<p><\/p>\n<p>Aus diesem Grund besteht die Notwendigkeit, Informationen \u00fcber neuronale Netzwerke zu systematisieren, um das Verst\u00e4ndnis und die Behaltensleistung zu erh\u00f6hen. Daher wurde die Hauptthematik der Analyse einzelner Technologien und Architekturen k\u00fcnstlicher neuronaler Netzwerke zur folgenden Aufgabe: <strong>herauszufinden, wohin das alles f\u00fchrt<\/strong>, und nicht nur die Struktur eines bestimmten neuronalen Netzwerks zu betrachten.<\/p>\n<p><\/p>\n<p>Wohin f\u00fchrt das alles? Wesentliche Ergebnisse:<\/p>\n<p><\/p>\n<ul>\n<li>Die Zahl der Startups im Bereich des maschinellen Lernens ist in den letzten zwei Jahren <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/recognitor\/blog\/455676\/\">dramatisch gesunken<\/a><\/noindex>. M\u00f6gliche Ursache: \u201eNeuronale Netzwerke sind nicht mehr etwas Neues\u201c.<\/li>\n<li>Jeder kann ein funktionierendes neuronales Netzwerk f\u00fcr eine einfache Aufgabe erstellen. Dazu nimmt er ein fertiges Modell aus dem \u201eModell-Zoo\u201c und trainiert die letzte Schicht des neuronalen Netzwerks (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/yofjFQddwHE\">transfer learning<\/a><\/noindex>) aus vorhandenen Daten von <noindex><a rel=\"nofollow\" href=\"https:\/\/toolbox.google.com\/datasetsearch\">Google Dataset Search<\/a><\/noindex> , wird es in das VPN eingegeben. Das bedeutet, dass dieses Paket zus\u00e4tzlich verschl\u00fcsselt und zwischen <noindex><a rel=\"nofollow\" href=\"https:\/\/www.kaggle.com\/datasets\">25.000 Datens\u00e4tzen von Kaggle<\/a><\/noindex> in der kostenlosen <noindex><a rel=\"nofollow\" href=\"https:\/\/www.dataschool.io\/cloud-services-for-jupyter-notebook\/\">Jupyter Notebook-Cloud<\/a><\/noindex>.<\/li>\n<li>Gro\u00dfe Anbieter von KI-Tools haben begonnen, <strong>\u201eModellzoos\u201c<\/strong> (model zoo). Damit k\u00f6nnen Sie schnell eine kommerzielle Anwendung erstellen: <noindex><a rel=\"nofollow\" href=\"https:\/\/tfhub.dev\/\">TF Hub<\/a><\/noindex> f\u00fcr TensorFlow, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/open-mmlab\/mmdetection\">MMDetection<\/a><\/noindex> f\u00fcr PyTorch, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/facebookresearch\/Detectron\">Detectron<\/a><\/noindex> f\u00fcr Caffe2, <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/wkentaro\/chainer-modelzoo\">chainer-modelzoo<\/a><\/noindex> f\u00fcr Chainer und <noindex><a rel=\"nofollow\" href=\"https:\/\/modelzoo.co\/\">andere<\/a><\/noindex>.<\/li>\n<li>Neuronen-Netze, die in <strong>Echtzeit<\/strong> (real-time) auf mobilen Ger\u00e4ten arbeiten. Von 10 bis 50 Bildern pro Sekunde.<\/li>\n<li>Einsatz von Neuronen-Netzen in Handys (TF Lite), in Browsern (TF.js) und in <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/19ZNz2N79u4\">Haushaltsgegenst\u00e4nden<\/a><\/noindex> (IoT, <strong>I<\/strong>Internet <strong>o<\/strong>f <strong>T<\/strong>of Things). Besonders in Handys, die bereits KI auf Hardware-Ebene unterst\u00fctzen (Neuro-Beschleuniger).<\/li>\n<li>\u201eJedes Ger\u00e4t, Kleidungsst\u00fcck und m\u00f6glicherweise sogar Lebensmittel werden eine <strong>IP-v6-Adresse<\/strong> haben und miteinander kommunizieren\u201c \u2013 <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/GG7H8Xa4m8I?t=85\">Sebastian Thrun<\/a><\/noindex>.<\/li>\n<li>Die Anzahl der Ver\u00f6ffentlichungen im Bereich maschinelles Lernen hat begonnen, <noindex><a rel=\"nofollow\" href=\"http:\/\/data-mining.philippe-fournier-viger.com\/too-many-machine-learning-papers\">das Moore'sche Gesetz zu \u00fcbersteigen<\/a><\/noindex> (Verdopplung alle zwei Jahre) seit 2015. Offensichtlich werden Neuronen-Netze zur Analyse von Artikeln ben\u00f6tigt.<\/li>\n<li>Die folgenden Technologien gewinnen an Popularit\u00e4t:\n<ul>\n<li><strong>PyTorch<\/strong> \u2013 die Popularit\u00e4t steigt schnell und scheint TensorFlow zu \u00fcberholen.<\/li>\n<li>Automatische Hyperparameter-Optimierung <strong>AutoML<\/strong> \u2013 die Popularit\u00e4t steigt allm\u00e4hlich.<\/li>\n<li>Allm\u00e4hliche Reduzierung der Genauigkeit und Erh\u00f6hung der Berechnungsgeschwindigkeit: <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rln_kZbYaWc\">unscharfe Logik<\/a><\/noindex>, Algorithmen <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/MIPkK5ZAsms\">Boosting<\/a><\/noindex>, ungenaue (approximierte) Berechnungen, Quantisierung (bei der die Gewichte des neuronalen Netzwerks in ganze Zahlen umgewandelt und quantisiert werden), Neuro-Beschleuniger.<\/li>\n<li>Die \u00dcbersetzung <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/e-WB4lfg30M\">von Bildern in Text<\/a><\/noindex> und <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/rAbhypxs1qQ\">von Text in Bilder<\/a><\/noindex>.<\/li>\n<li>Erstellung <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/OrHLacCDZVQ\">dreidimensionalen Objekten aus Videos<\/a><\/noindex>, jetzt bereits in Echtzeit.<\/li>\n<li>Das Wesentliche in DL sind viele Daten, doch deren Sammlung und Annotation ist nicht einfach. Daher entwickelt sich die Automatisierung der Annotation (<noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/NcKTn4C91Yc\">automated annotation<\/a><\/noindex>) f\u00fcr neuronale Netze mithilfe neuronaler Netze.<\/li>\n<\/ul>\n<\/li>\n<li>Mit neuronalen Netzen wurde die Informatik pl\u00f6tzlich <strong>zu einer experimentellen Wissenschaft<\/strong> und es entstand ein <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/480348\">Reproduzierbarkeitskrise.<\/a><\/noindex>.<\/li>\n<li>IT-Geld und die Popularit\u00e4t von neuronalen Netzen entstanden gleichzeitig, als Berechnungen einen Marktwert erhielten. Die Wirtschaft transformiert sich von einer gold- und w\u00e4hrungsbasierten zu einer <strong>gold-w\u00e4hrungs- und berechnungsbasierten.<\/strong>Siehe meinen Artikel \u00fcber <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%AD%D0%BA%D0%BE%D0%BD%D0%BE%D1%84%D0%B8%D0%B7%D0%B8%D0%BA%D0%B0\">\u00d6konomiephysik<\/a><\/noindex> und die Gr\u00fcnde f\u00fcr das Entstehen von IT-Geld.<\/li>\n<\/ul>\n<p><\/p>\n<p>Allm\u00e4hlich entsteht eine neue <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/481844\">Programmierungs-Methodologie f\u00fcr ML\/DL<\/a><\/noindex> (Machine Learning &amp; Deep Learning), die auf der Vorstellung eines Programms als Gesamtheit von trainierten Modellen neuronaler Netze basiert.<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"Neuro-Netze. Wohin geht die Reise?\" src=\"\/wp-content\/uploads\/2020\/01\/17df76a613191522145abeba177c2685.png\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<p>Abbildung 3 \u2013 ML\/DL als neue Programmierungs-Methodologie<\/p>\n<p><\/p>\n<p>Dennoch gibt es bis heute keine <strong>\u201eTheorie der neuronalen Netze\u201c.<\/strong>, innerhalb dessen man systematisch denken und arbeiten kann. Was heute als \u201eTheorie\u201c bezeichnet wird, sind in Wirklichkeit experimentelle, heuristische Algorithmen.<\/p>\n<p><\/p>\n<p>Links zu meinen und nicht nur meinen Ressourcen:<\/p>\n<p><\/p>\n<ul>\n<li>Newsletter \u00fcber Data Science. Haupts\u00e4chlich zur Bildverarbeitung. Wer ihn erhalten m\u00f6chte, kann eine E-Mail senden (foobar167&lt;\u0430\u0442&gt;gmail&lt;\u0442\u043e\u0447\u043a\u0430&gt;com). Links zu Artikeln und Videos sende ich nach und nach.<\/li>\n<li>Allgemein <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Machine_Learning\/courses_on_machine_learning.md\">Liste der Kurse und Artikel<\/a><\/noindex>, die ich absolviert habe und die ich gerne machen w\u00fcrde.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#exercises\">Kurse und Videos f\u00fcr Einsteiger<\/a><\/noindex>, mit denen man das Lernen \u00fcber neuronale Netzwerke beginnen sollte. Zudem eine Brosch\u00fcre <noindex><a rel=\"nofollow\" href=\"https:\/\/foobar167.github.io\/page\/vvedeniye-v-mashinnoye-obucheniye-i-iskusstvennyye-neyronnyye-seti.html\">\u201eEinf\u00fchrung in maschinelles Lernen und k\u00fcnstliche neuronale Netzwerke\u201c<\/a><\/noindex>.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/foobar167\/articles\/blob\/master\/Ubuntu\/13_Keras_and_TensorFlow_how-tos.md#tools\">N\u00fctzliche Tools<\/a><\/noindex>, wo jeder etwas Interessantes f\u00fcr sich finden kann.<\/li>\n<li>Sehr n\u00fctzlich waren <strong>YouTube-Kan\u00e4le zur Analyse von wissenschaftlichen Artikeln<\/strong> \u00fcber Data Science. Sucht sie, abonniert sie und teilt die Links mit euren Kollegen und mir auch. Beispiele:\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/user\/keeroyz\">Two Minute Papers<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UCHB9VepY6kYvZjj0Bgxnpbw\">Henry AI Labs<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UCZHmQk67mSJgfCCTn7xBfew\">Yannic Kilcher<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/channel\/UC5_6ZD6s8klmMu9TXEB_1IA\">CodeEmporium<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.dlology.com\">Blog von Chengwei Zhang<\/a><\/noindex> auch bekannt als <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Tony607\">Tony607<\/a><\/noindex> mit Schritt-f\u00fcr-Schritt-Anleitungen und offenem Quellcode.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><\/p>\n<p>Vielen Dank f\u00fcr Ihre Aufmerksamkeit!<\/p>\n<p>Quelle: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/482794\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u0421\u0442\u0430\u0440\u0430\u043b\u0441\u044f \u0432\u044b\u0431\u0438\u0440\u0430\u0442\u044c \u0432\u0438\u0434\u0435\u043e \u043f\u043e\u044f\u0441\u043d\u0435\u043d\u0438\u044f \u0438 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0412\u0442\u043e\u0440\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u043f\u043e\u043f\u044b\u0442\u043a\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0442\u044c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439. \u0418 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u043d\u0430 \u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u0435. \u0420\u0438\u0441\u0443\u043d\u043e\u043a 1 \u2013 \u041f\u043e\u043d\u0438\u043c\u0430\u0442\u044c [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-54780","post","type-post","status-publish","format-standard","hentry","category-novosti-interneta"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 4.9.10 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u0421\u0442\u0430\u0440\u0430\u043b\u0441\u044f \u0432\u044b\u0431\u0438\u0440\u0430\u0442\u044c \u0432\u0438\u0434\u0435\u043e \u043f\u043e\u044f\u0441\u043d\u0435\u043d\u0438\u044f \u0438 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0412\u0442\u043e\u0440\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u043f\u043e\u043f\u044b\u0442\u043a\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0442\u044c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439. \u0418 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u043d\u0430 \u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u0435. \u0420\u0438\u0441\u0443\u043d\u043e\u043a 1 \u2013 \u041f\u043e\u043d\u0438\u043c\u0430\u0442\u044c\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/nejroseti-kuda-eto-vse-dvizhetsya\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 4.9.10\" \/>\n\t\t<meta property=\"og:locale\" content=\"de_DE\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438. \u041a\u0443\u0434\u0430 \u044d\u0442\u043e \u0432\u0441\u0435 \u0434\u0432\u0438\u0436\u0435\u0442\u0441\u044f | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u0421\u0442\u0430\u0440\u0430\u043b\u0441\u044f \u0432\u044b\u0431\u0438\u0440\u0430\u0442\u044c \u0432\u0438\u0434\u0435\u043e \u043f\u043e\u044f\u0441\u043d\u0435\u043d\u0438\u044f \u0438 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0412\u0442\u043e\u0440\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u043f\u043e\u043f\u044b\u0442\u043a\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0442\u044c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439. \u0418 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u043d\u0430 \u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u0435. \u0420\u0438\u0441\u0443\u043d\u043e\u043a 1 \u2013 \u041f\u043e\u043d\u0438\u043c\u0430\u0442\u044c\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/nejroseti-kuda-eto-vse-dvizhetsya\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-01-03T21:00:00+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-02-18T11:02:50+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Neuronale Netzwerke. Wohin f\u00fchrt das alles? | ProHoster","description":"Der Artikel besteht aus zwei Teilen: einer kurzen Beschreibung verschiedener Architekturen von Netzwerken zur Objekterkennung in Bildern und zur Segmentierung von Bildern, mit den f\u00fcr mich verst\u00e4ndlichsten Links zu Ressourcen. Ich habe versucht, Videoerkl\u00e4rungen auszuw\u00e4hlen, vorzugsweise auf Russisch. Der zweite Teil besteht darin, zu versuchen, die Richtung der Entwicklung von Architekturen neuronaler Netzwerke und der Technologien, die auf ihnen basieren, zu verstehen. Abbildung 1 \u2013 Verstehen","canonical_url":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/nejroseti-kuda-eto-vse-dvizhetsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"de_DE","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438. \u041a\u0443\u0434\u0430 \u044d\u0442\u043e \u0432\u0441\u0435 \u0434\u0432\u0438\u0436\u0435\u0442\u0441\u044f | ProHoster","og:description":"\u0421\u0442\u0430\u0442\u044c\u044f \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0447\u0430\u0441\u0442\u0435\u0439: \u041a\u0440\u0430\u0442\u043a\u043e\u0435 \u043e\u043f\u0438\u0441\u0430\u043d\u0438\u0435 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u0441\u0435\u0442\u0435\u0439 \u043f\u043e \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044e \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432 \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0441\u0430\u043c\u044b\u043c\u0438 \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u043c\u0438 \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u0441\u0441\u044b\u043b\u043a\u0430\u043c\u0438 \u043d\u0430 \u0440\u0435\u0441\u0443\u0440\u0441\u044b. \u0421\u0442\u0430\u0440\u0430\u043b\u0441\u044f \u0432\u044b\u0431\u0438\u0440\u0430\u0442\u044c \u0432\u0438\u0434\u0435\u043e \u043f\u043e\u044f\u0441\u043d\u0435\u043d\u0438\u044f \u0438 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u043d\u0430 \u0440\u0443\u0441\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0412\u0442\u043e\u0440\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0441\u043e\u0441\u0442\u043e\u0438\u0442 \u0432 \u043f\u043e\u043f\u044b\u0442\u043a\u0435 \u043e\u0441\u043e\u0437\u043d\u0430\u0442\u044c \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044f \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439. \u0418 \u0442\u0435\u0445\u043d\u043e\u043b\u043e\u0433\u0438\u0439 \u043d\u0430 \u0438\u0445 \u043e\u0441\u043d\u043e\u0432\u0435. \u0420\u0438\u0441\u0443\u043d\u043e\u043a 1 \u2013 \u041f\u043e\u043d\u0438\u043c\u0430\u0442\u044c","og:url":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/nejroseti-kuda-eto-vse-dvizhetsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-01-03T21:00:00+00:00","article:modified_time":"2020-02-18T11:02:50+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"54780","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 12:43:20","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 19:57:38","updated":"2026-01-24 12:43:20"},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/54780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=54780"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/54780\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=54780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=54780"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=54780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}