уровня образуют неориентированную графическую
между всеми уровнями сети [2].
модель, а нижние уровни образуют направленную
Сеть глубокого убеждения (DBN) и Deep
порождающую модель, тогда как в DBM все соеди-
Boltzmann Machine (DBM). Два верхних слоя DBN
нения не являются ненаправленными. DBM имеют
образуют неориентированный граф, а остальные
несколько уровней скрытых единиц, где единицы в
слои образуют сеть убеждений с направленными
нечетных слоях условно не зависят от четных слоев
нисходящими соединениями. В DBM все соедине-
и наоборот [3].
ния не являются ненаправленными.
Всплеск глубокого обучения в последние годы
Ограниченная машина Больцмана - это неориен-
во многом обусловлен успехами, достигнутыми в
тированная графическая модель со стохастическими
области компьютерного зрения. В качестве заклю-
видимыми переменными и стохастические скрытые
чительного замечания, несмотря на впечатляющие -
переменные где каждая видимая переменная связана
результаты, серьезные проблемы остаются, особен-
с каждой скрытой переменной. RBM - это вариант
но в том, что касается теоретической основы, кото-
машины Больцмана с ограничением на то, что ви-
рая бы четко объяснила способы определения опти-
димые и скрытые единицы должны образовывать
мального выбора модели тип и структуру для кон-
двудольный граф. Это ограничение позволяет ис-
кретной задачи или для глубокого понимания при-
пользовать более эффективные алгоритмы обуче-
чин, по которым конкретная архитектура или алго-
ния, в частности алгоритм контрастивной диверген-
ритм эффективны в данной задаче или нет. Это одни
ции на основе градиента.
из самых важных вопросов, которые будут продол-
Сети глубокой веры (DBN) - это вероятностные
жать привлекать интерес сообщества исследовате-
генеративные модели, которые обеспечивают сов-
лей машинного обучения в ближайшие годы.
местное распределение вероятностей по наблюдае-
Список литературы:
1. TensorFlow [Электронный ресурс] Режим доступа:https://www.tensorflow.org
2. А. Тошев и С. Сегеди, «DeepPose: оценка позы человека с помощью глубоких нейронных сетей», в материалах 27-й конференции IEEE по компьютерному зрению и распознаванию образов, CVPR 2014 , с. 1653–1660, США, июнь 2014 г. Режим доступа: Google ученый
3. И. Гудфеллоу, М. Мирза, А. Курвилль и др., «Глубокие машины Больцмана с множественным предсказани-
ем», в трудах NIPS , 2013г. Режим доступа: Google Scholar
6
Журнал «Интернаука»