Dieses SpringerBrief beschreibt, wie man ein rigoroses End-to-End-Mathematikmodell für tiefe neuronale Netzwerke aufbaut. Die Autoren bieten Werkzeuge an, um neuronale Netzwerke darzustellen und zu beschreiben, und stellen frühere Ergebnisse auf diesem Gebiet in einem natürlicheren Licht dar. Insbesondere leiten die Autoren Gradientabstiegsalgorithmen auf einheitliche Weise für verschiedene Strukturen neuronaler Netzwerke ab, einschliesslich mehrschichtiger Perzeptronen, konvolutionaler neuronaler Netzwerke, tiefer Autoencoder und rekurrenter neuronaler Netzwerke. Darüber hinaus ist das entwickelte Framework sowohl prägnanter als auch mathematisch intuitiver als frühere Darstellungen neuronaler Netzwerke. Dieses SpringerBrief ist ein Schritt in Richtung der Entschlüsselung der Black Box des Deep Learning. Die Autoren sind der Meinung, dass dieses Framework dazu beitragen wird, weitere Entdeckungen bezüglich der mathematischen Eigenschaften neuronaler Netzwerke zu katalysieren. Dieses SpringerBrief ist nicht nur für Forscher zugänglich.