대답 1:

Restricted Boltzmann 기계는 Autoencoder와 어떻게 다릅니 까? 둘 다 감독되지 않은 방식으로 고급 기능을 배우지 않습니까? 마찬가지로, Deep Belief Network는 스택 형 자동 인코더 네트워크와 어떻게 다릅니 까?

Deep Boltzmann Machine, Deep Belief Networks 및 Deep Auto-Encoder의 차이점은 무엇입니까? 위의 네트워크를 사전 훈련하고 미세 조정하는 절차의 차이점을 설명하는 자습서가 있습니까? (의사 코드는 추가 도움이 될 것입니다)


대답 2:

이 질문에 대한 최고의 답변 중 하나에 대한 링크를 제공합니다.

출처 : 컨볼 루션 신경망, 제한된 볼츠만 기계 및 자동 인코더의 차이점은 무엇입니까?

나는 아래 답변의 관련 부분만을 넣었습니다.

Autoencoder는 출력 장치가 입력 장치에 직접 연결되는 간단한 3 계층 신경망입니다. 예를 들어 다음과 같은 네트워크에서 :

output [i]는 모든 i에 대해 입력으로 다시 에지를가집니다. 일반적으로 숨겨진 단위의 수는 보이는 (입력 / 출력)의 수보다 훨씬 적습니다. 결과적으로 이러한 네트워크를 통해 데이터를 전달하면 먼저 입력 벡터를 더 작은 표현으로 "적합"하도록 압축 (인코딩) 한 다음 다시 재구성 (디코딩)하려고합니다. 훈련의 과제는 오류 또는 재구성을 최소화하는 것입니다. 즉, 입력 데이터에 가장 효율적인 컴팩트 표현 (인코딩)을 찾습니다.

RBM은 비슷한 아이디어를 공유하지만 확률 론적 접근 방식을 사용합니다. 결정적 (예 : 로지스틱 또는 ReLU) 대신 특정 (보통 가우스 이항) 분포를 가진 확률 적 단위를 사용합니다. 학습 절차는 여러 단계의 Gibbs 샘플링 (전파 : 가시가 주어진 샘플 은닉, 재구성 : 숨겨진이 샘플은 보이는 샘플, 반복) 및 재구성 오류를 최소화하기 위해 가중치를 조정하는 것으로 구성됩니다.

RBM의 직관은 눈에 보이는 임의 변수 (예 : 다른 사용자의 영화 리뷰)와 숨겨진 변수 (영화 장르 또는 기타 내부 기능)가 있으며 훈련의 임무는이 두 변수 세트가 실제로 어떻게 서로 연결되어 있습니다 (이 예제에서 더 찾을 수 있습니다).


대답 3:

이 질문에 대한 최고의 답변 중 하나에 대한 링크를 제공합니다.

출처 : 컨볼 루션 신경망, 제한된 볼츠만 기계 및 자동 인코더의 차이점은 무엇입니까?

나는 아래 답변의 관련 부분만을 넣었습니다.

Autoencoder는 출력 장치가 입력 장치에 직접 연결되는 간단한 3 계층 신경망입니다. 예를 들어 다음과 같은 네트워크에서 :

output [i]는 모든 i에 대해 입력으로 다시 에지를가집니다. 일반적으로 숨겨진 단위의 수는 보이는 (입력 / 출력)의 수보다 훨씬 적습니다. 결과적으로 이러한 네트워크를 통해 데이터를 전달하면 먼저 입력 벡터를 더 작은 표현으로 "적합"하도록 압축 (인코딩) 한 다음 다시 재구성 (디코딩)하려고합니다. 훈련의 과제는 오류 또는 재구성을 최소화하는 것입니다. 즉, 입력 데이터에 가장 효율적인 컴팩트 표현 (인코딩)을 찾습니다.

RBM은 비슷한 아이디어를 공유하지만 확률 론적 접근 방식을 사용합니다. 결정적 (예 : 로지스틱 또는 ReLU) 대신 특정 (보통 가우스 이항) 분포를 가진 확률 적 단위를 사용합니다. 학습 절차는 여러 단계의 Gibbs 샘플링 (전파 : 가시가 주어진 샘플 은닉, 재구성 : 숨겨진이 샘플은 보이는 샘플, 반복) 및 재구성 오류를 최소화하기 위해 가중치를 조정하는 것으로 구성됩니다.

RBM의 직관은 눈에 보이는 임의 변수 (예 : 다른 사용자의 영화 리뷰)와 숨겨진 변수 (영화 장르 또는 기타 내부 기능)가 있으며 훈련의 임무는이 두 변수 세트가 실제로 어떻게 서로 연결되어 있습니다 (이 예제에서 더 찾을 수 있습니다).