Hluboká víra v síť (DBN)
Hluboká víra v síť je generativní pravděpodobnostní model složený z více vrstev stochastických, latentních proměnných. DBN, představené Hintonem, Osinderem a Teh v roce 2006, patřily mezi první hluboké architektury, které bylo možné efektivně trénovat. Každý pár sousedních vrstev tvoří omezenou Boltzmannovu mašinu (Restricted Boltzmann Machine, RBM) a síť je trénována chamtivě, vrstvu po vrstvě, před volitelným supervizovaným doladěním. DBN oživily zájem o hluboké učení a prokázaly, že hierarchické učení příznaků ze surových dat je proveditelné.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Hinton, G. E., Osindero, S., & Teh, Y.-W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18(7), 1527–1554. DOI: 10.1162/neco.2006.18.7.1527 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Deep Belief Network (DBN). ScholarGate. https://scholargate.app/cs/deep-learning/deep-belief-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AutoencoderHluboké učení↔ compare
- Vícevrstvý perceptron (MLP)Hluboké učení↔ compare
- Omezený Boltzmannův stroj (RBM)Hluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →