我讀了一些關於限制玻爾茲曼機的文章。對這些機器進行了重建能力測試。我瞭解培訓是如何運作的,但不知道如何進行重建。任何人都可以給我一些提示嗎?限制玻爾茲曼機 - 重建
4
A
回答
1
1
我想你的意思是在自動編碼的情況下用於召回的投入,而不是像聯想記憶網絡的RBM。
在學習階段,輸入單位和輸出節點(單位)被鉗位到訓練集中的值,之後重複玻爾茲曼採樣(例如通過Metropolis Hastings和Simulated Annealing的組合)與梯度以優化輸入,隱藏和輸出節點之間所有連接的權重。在訓練之後,受限制的波爾茲曼網絡可用於1)分類/預測或2)以自由運行模式生成記憶。
在分類/預測模式下,部分或全部輸入單元被鉗位,而隱藏和輸出節點採用玻耳茲曼採樣。輸出節點的統計屬性(基本上是手段)是預測或分類。如果RBM的結構類似於單層自動編碼器,輸入層類似於輸出層和稀疏或更小的隱藏層,那麼導致完全恢復訓練輸入的有限數量的輸入將構成「重建」。
韓丁的2006年科技論文討論了這些想法:
http://www.cs.toronto.edu/~hinton/science.pdf
本文是RBMS和神經網絡的,而具體應用,但。在本文中,他使用RBM來預先訓練一個深層(許多分層)的神經網絡。
0
在Hinton's algorithm,他們使用RBM的預培訓,使初始權重接近一個很好的解決方案,確保收斂的梯度下降。
在下一步中,初始網絡(例如,[1000 500 100 2])是展開以給出自動編碼器網絡([1000 500 100 2 100 500 1000])。編碼器([1000 500 100 2])和解碼器([2 100 500 1000])部件最初使用相同的權重。
最後一個階段是微調。它通過整個自動編碼器([1000 500 100 2 100 500 1000])使用反向傳播來對權重進行微調(通過最小化誤差,即輸入和其重建之間的差異)以實現最佳重建。自動編碼器的輸出是重構輸入。
相關問題
- 1. 如何測試受限玻爾茲曼機器的實現?
- 2. Scikit-learn中的受限玻爾茲曼機器:虹膜分類
- 3. 使用對比發散條件限制玻耳茲曼機器
- 4. 如何解釋限制玻爾茲曼機器的培訓過程?
- 5. 深度神經網絡:玻爾茲曼機器有多好?
- 6. 受限玻爾茲曼機器和深度學習的Java代碼
- 7. 估計玻爾茲曼曲線中直線部分的斜率
- 8. 用於矢量數據(而不是二進制)的限制波爾茲曼機器的替代方案
- 9. 的#pragma OMP並行的減少速度,而不是增加 - 在晶間玻爾茲曼
- 10. 阿茲曼在資源水平
- 11. 巴曼PostgreSQL的傳入瓦茲目錄
- 12. 波爾茲曼探索在Q學習中有兩個以上的動作
- 13. 黑莓 - 菲爾茲佈局動畫
- 14. 卡爾曼濾波器
- 15. 卡爾曼濾波行爲
- 16. 卡爾曼濾波器庫
- 17. 卡爾曼過濾器android
- 18. 稍快貝爾曼 - 福特
- 19. 貝爾曼 - 福特變化
- 20. 與浮動div的父DIV蔡爾茲
- 21. 建議導出機制哈斯克爾
- 22. 通過huffman表重建霍夫曼樹
- 23. 玻璃像機器人
- 24. 限制重複的隨機數
- 25. 查詢關於貝爾曼福特
- 26. 卡爾曼濾波經緯度投影
- 27. 貝爾曼 - 福特算法步驟
- 28. WCF連接限制機制
- 29. 卡爾曼濾波MLE參數估計
- 30. 限制與科爾馬