Deep Belief Network (DBN)
A Deep Belief Network ialah model probabilistik generatif yang terdiri daripada berbilang lapisan pemboleh ubah stokastik, laten. Diperkenalkan oleh Hinton, Osindero, dan Teh pada tahun 2006, DBN merupakan antara seni bina mendalam pertama yang dilatih secara cekap. Setiap pasangan lapisan bersebelahan membentuk Restricted Boltzmann Machine, dan rangkaian dilatih secara tamak, satu lapisan pada satu masa, sebelum penalaan halus berpandukan penyeliaan pilihan. DBN menghidupkan semula minat dalam pembelajaran mendalam dan menunjukkan bahawa pembelajaran ciri hierarkis daripada data mentah adalah boleh dikendalikan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). Deep Belief Network (DBN). ScholarGate. https://scholargate.app/ms/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.
- AutoenkoderPembelajaran Mendalam↔ compare
- Multilayer Perceptron (MLP)Pembelajaran Mendalam↔ compare
- Mesin Boltzmann Terhad (RBM)Pembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →