跳转到内容

卷积深度信念网络

维基百科,自由的百科全书

计算机科学中,卷积深度信念网络(英语:convolutional deep belief network;CDBN)是一种深度人工神经网络,由多层卷积受限玻尔兹曼机堆叠在一起组成[1]。它是一种用于深度学习的分层生成模型,在图像处理物件识别英语Outline of object recognition方面非常有效,另外也被用于其他领域[2]。该模型的显著特征包括它可以很好地缩放到高维图像并且是平移不变的[3]。卷积深度信念网络使用概率最大池化技术来减少网络中较高层的维度。网络的训练涉及以贪婪的分层方式完成的预训练阶段,类似于其他深度信念网络英语Deep belief network。根据网络是用于识别任务还是生成任务,然后对其进行“微调”或分别使用反向传播或上下算法(对比发散)进行训练。

参考文献

[编辑]
  1. ^ Lee, Honglak; Grosse, Ranganath; Andrew Ng. Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations (PDF). [2023-04-01]. (原始内容存档 (PDF)于2014-04-07). 
  2. ^ Lee, Honglak; Yan Largman; Peter Pham; Andrew Y. Ng. Unsupervised feature learning for audio classification using convolutional deep belief networks (PDF). [2023-04-01]. (原始内容存档 (PDF)于2023-01-28). 
  3. ^ Coviello, Emanuele. Convolutional Deep Belief Networks (PDF). [2023-04-01]. (原始内容存档 (PDF)于2014-04-07).