小小程序员
2021-05-15 23:42:30
深度信念网络（Deep Belief Network）
反向传播，是人工神经网络计算处理一批数据后每个神经元的误差分布的标准方法，但是也存在一些问题。首先要标注训练数据，但几乎所有数据都没有标注；其次，学习时间不足，这意味着隐藏层数较多的网络较慢；第三，可能会使局部陷入最不利局面。因此，对于深度网络来说这远远不够。
无监督学习方法克服了反向传播的限制，使用梯度方法调整权重有助于保持架构的效率和简单性，还可以将它用于对感官输入结构建模。特别的是，它调整权重，将产生感官输入的生成模型概率最大化。信念网络是由随机变量组成的有向非循环图，可推断未观测变量的状态，还可以调整变量间的交互，使网络更可能产生训练数据。
早期图形模型是专家定义图像结构和条件概率，这些图形是稀疏连接的，他们专注于做正确的推论，而不是学习。但对于神经网络来说，学习是重点，其目的不在于可解释性或稀疏连接性使推断变得更容易。
条内容