Głęboka Sieć Przekonań (DBN)
Głęboka Sieć Przekonań to generatywny model probabilistyczny złożony z wielu warstw stochastycznych, ukrytych zmiennych. Wprowadzone przez Hintona, Osindero i Teha w 2006 roku, DBN były jednymi z pierwszych głębokich architektur, które można było efektywnie trenować. Każda para sąsiadujących warstw tworzy Ograniczoną Maszynę Boltzmanna, a sieć jest trenowana zachłannie, warstwa po warstwie, przed opcjonalnym nadzorowanym dostrajaniem. DBN ożywiły zainteresowanie głębokim uczeniem i wykazały, że hierarchiczne uczenie cech z surowych danych jest wykonalne.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 cytować tę stronę
ScholarGate. (2026, June 2). Deep Belief Network (DBN). ScholarGate. https://scholargate.app/pl/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.
- AutoenkoderUczenie głębokie↔ compare
- Perceptron wielowarstwowy (MLP)Uczenie głębokie↔ compare
- Ograniczona Maszyna Boltzmanna (RBM)Uczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →