Deep Belief Network (DBN)
Et Deep Belief Network (DBN) er en generativ probabilistisk modell sammensatt av flere lag med stokastiske, latente variabler. DBN-er, introdusert av Hinton, Osindero og Teh i 2006, var blant de første dype arkitekturene som kunne trenes effektivt. Hvert par av tilstøtende lag danner en Restricted Boltzmann Machine (RBM), og nettverket trenes grådig, ett lag om gangen, før en valgfri overvåket finjustering. DBN-er gjenopplivde interessen for dyp læring og demonstrerte at hierarkisk trekkutvinning fra rådata er håndterbart.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Deep Belief Network (DBN). ScholarGate. https://scholargate.app/no/deep-learning/deep-belief-network
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- AutoenkoderDyp læring↔ sammenlign
- Flerlagsperseptron (MLP)Dyp læring↔ sammenlign
- Restricted Boltzmann Machine (RBM)Dyp læring↔ sammenlign
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →