Deep Belief Network (DBN)
Ein Deep Belief Network (DBN) ist ein generatives probabilistisches Modell, das aus mehreren Schichten stochastischer, latenter Variablen besteht. DBNs, die 2006 von Hinton, Osindero und Teh eingeführt wurden, gehörten zu den ersten tiefen Architekturen, die effizient trainiert werden konnten. Jedes Paar benachbarter Schichten bildet eine Restricted Boltzmann Machine (RBM), und das Netzwerk wird gierig, Schicht für Schicht, trainiert, bevor optional eine überwachte Feinabstimmung erfolgt. DBNs belebten das Interesse am Deep Learning neu und zeigten, dass hierarchisches Feature-Lernen aus Rohdaten machbar ist.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Deep Belief Network (DBN). ScholarGate. https://scholargate.app/de/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.
- AutoencoderDeep Learning↔ compare
- Mehrschichtiges Perzeptron (MLP)Deep Learning↔ compare
- Restricted Boltzmann Machine (RBM)Deep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →