Deep Belief Network (DBN)
Et Deep Belief Network er en generativ probabilistisk model, der består af flere lag af stokastiske, latente variable. DBN'er blev introduceret af Hinton, Osindero og Teh i 2006 og var blandt de første dybe arkitekturer, der kunne trænes effektivt. Hvert par af tilstødende lag danner en Restricted Boltzmann Machine, og netværket trænes grådigt, et lag ad gangen, før en valgfri superviseret finjustering. DBN'er genoplivede interessen for deep learning og demonstrerede, at hierarkisk feature-læring fra rå data er gennemførlig.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Deep Belief Network (DBN). ScholarGate. https://scholargate.app/da/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.
- AutoencoderDyb læring↔ compare
- Multilayer Perceptron (MLP)Dyb læring↔ compare
- Restricted Boltzmann Machine (RBM)Dyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →