知识卡片
深度信念网络的堆叠与逐层训练
深度信念网络(DBN)本质是堆叠起来的 RBM:一个 RBM 的隐藏层就是下一个 RBM 的可见层,隐藏层充当逐层抽象的特征检测器。训练按顺序逐层进行——先用原始输入训练最底层 RBM 并固定参数,再把其隐藏向量作为上一层 RBM 的输入继续训练,如此自底向上从已有特征中再提特征,这正是深度架构的由来。实现时须用 variable_scope 为每个 RBM 分配独立变量域,否则多个 RBM 会共用同一组变量而报错。DBN 类按 layer_sizes 建多个 RBM,train 逐层拟合并缓存参数,predict 输出最后一层特征供下游使用,见 [[DBN 图像分类实战]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 受限玻尔兹曼机和自编码器 深度信念网络与图像分类 · 查看原书依据
DBN 就是一组堆叠在一起的 RBM,其中一个 RBM 的隐藏层是下一个 RBM 的可见层。 在训练层的参数期间,前一层的参数保持不变。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第03章《受限玻尔兹曼机和自编码器》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/06.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文明确 DBN 是 RBM 的堆叠、前一层隐藏层接后一层可见层,且训练时前层参数固定、逐层顺序训练,支撑堆叠与逐层训练机制。
- 原始内容:DBN 就是一组堆叠在一起的 RBM,其中一个 RBM 的隐藏层是下一个 RBM 的可见层。 在训练层的参数期间,前一层的参数保持不变。