【小知識】淺析深度信念網路DBN
阿新 • • 發佈:2018-12-12
首先我們明確機器學習的任務:將經典的統計學演化為人工智慧。
經典統計學:
-
處理低維資料(100維以下);
-
資料被大量噪聲汙染;
-
資料不存在複雜的結構形式,一般可以用非常簡單的模型建模;
-
主要問題是從噪聲中尋找到真實的資料結構。
人工智慧:
-
處理高維資料(100維以上);
-
如果處理方法正確的話,噪聲不足以影響資料的結構形式;
-
資料中存在非常複雜的結構形式,不可能用簡單的模型予以表示;
-
主要問題是通過學習尋找到一種可以表示資料複雜結構的方法。
第一代神經網路
感知器(~1960年),具有一層手動編碼特徵的網路,試圖通過對特徵的加權識別物體。
第二代神經網路
後向傳播誤差(~1985)的引入使得多層複雜神經網路的實現成為可能
Vapnik和他的同事開發了一種非常聰明的感知器,稱為支援向量機。20世紀90年代,由於支援向量機工作效能較好,許多研究者放棄了具有多個自適應隱藏層的神經網路。這在某個方面直接導致神經網路的發展停滯不前。
後向傳播雖然解決了多層神經網路中隱藏層的輸出誤差計算問題,但也帶來了新問題。
-
它要求幾乎所有的訓練資料都進行標識;
-
當具有多個隱藏層時,學習速度可能會很慢;
-
有可能收斂到很差的區域性最優點。
深度信念網路也許是解決以上問題的一種可行方案。
信念網路是由隨機變數組成的有向非迴圈圖。
我們通過觀察其中的一些變數,以解決以下兩個問題:
-
推斷問題:推斷未觀測變數的狀態;
-
學習問題:調整變數之間的相互作用關係,使得網路更有可能產生觀測資料。
Deep Belief Nets下載地址:
更多精彩文章請關注微訊號: