Deep Belief Network (DBN)
Ett Deep Belief Network är en generativ probabilistisk modell som består av flera lager av stokastiska, latenta variabler. DBN introducerades av Hinton, Osindero och Teh 2006 och var bland de första djupa arkitekturerna som kunde tränas effektivt. Varje par av intilliggande lager bildar en Restricted Boltzmann Machine, och nätverket tränas girigt, ett lager i taget, före en valfri övervakad finjustering. DBN återupplivade intresset för djupinlärning och visade att hierarkisk särdragsinlärning från rådata är genomförbar.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Deep Belief Network (DBN). ScholarGate. https://scholargate.app/sv/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.
- AutoencoderDjupinlärning↔ compare
- Multilayer Perceptron (MLP)Djupinlärning↔ compare
- Restricted Boltzmann Machine (RBM)Djupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →