深度信念网络vs卷积神经网络
我是神经网络领域的新手，我想知道深度信念网络和卷积网络之间的区别。还有，有没有深度信念和卷积神经网络相结合的深度卷积网络？
这就是我目前所收集到的。如果我错了请纠正我。
对于图像分类问题，深度信念网络有许多层，每个层都使用贪婪的分层策略进行训练。例如，如果我的图像大小是50x50，我想要一个有4层的深度网络，即
- 输入层
- 隐藏层1(HL1)
- 隐藏层2(HL2)
- 输出层
如果使用卷积神经网络解决了同样的问题，那么对于50x50输入图像，我将开发一个仅使用7x7补丁（比方说）的网络。我的图层
- 输入层（7 x 7=49个神经元）
- HL1(25个神经元对应25个不同特征）-（卷积层）
- 池层
- 输出层(Softmax)
为了学习权重，我从50×50大小的图像中提取7×7个贴片，通过卷积层前馈，这样我将得到25个不同的特征映射，每个映射的大小为(50-7+1)×(50-7+1)=44×44。
然后我使用一个窗口，比方说11x11用于池手，因此得到25个大小(4x4)的特征映射，作为池层的输出。我用这些特征图进行分类。
在学习权重时，我没有像深度信念网络（无监督学习）那样使用分层策略，而是使用有监督学习，同时学习所有层的权重。这是正确的还是有其他方法来学习权重？
我所理解的是正确的吗？
因此，如果我想使用DBN进行图像分类，我应该将所有图像的大小调整到一个特定的大小（比如200x200)，并且在输入层中有那么多的神经元，而在CNN的情况下，我只训练一小块输入（比如200x200大小的图像是10x10)，并在整个图像上卷积学习到的权重？
DBNs比CNNs提供更好的结果，还是纯粹依赖于数据集？
谢谢你。
共有1个答案
一般说来，DBN是对受限玻尔兹曼机（RBMs）进行堆叠的生成神经网络。您可以将RBM视为生成式自动编码器；如果你想要一个深度的信念网，你应该堆叠RBM，而不是简单的自动编码器，就像辛顿和他的学生Yeh证明的那样，堆叠RBM会产生sigmoid信念网。
在当前关于MNIST等基准计算机视觉数据集的文献中，卷积神经网络已经比DBNs本身表现得更好。如果数据集不是计算机视觉数据集，那么DBNs绝对可以执行得更好。从理论上讲，DBN应该是最好的模型，但目前很难准确地估计联合概率。你可能对Lee et感兴趣。Al(2009)在卷积深度信念网络方面的工作，它试图将两者结合起来。
-
最后，我开始学习神经网络，我想知道卷积深度信念网络和卷积网络之间的区别。在这里，有一个类似的问题，但没有确切的答案。我们知道卷积深度信念网络是CNN DBN。所以，我要做一个物体识别。我想知道哪一个比另一个好得多或者它们的复杂性。我搜索了一下，但找不到任何东西，可能是做错了什么。
-
在LeNet提出后的将近20年里，神经网络一度被其他机器学习方法超越，如支持向量机。虽然LeNet可以在早期的小数据集上取得好的成绩，但是在更大的真实数据集上的表现并不尽如人意。一方面，神经网络计算复杂。虽然20世纪90年代也有过一些针对神经网络的加速硬件，但并没有像之后GPU那样大量普及。因此，训练一个多通道、多层和有大量参数的卷积神经网络在当年很难完成。另一方面，当年研究者还没有大量深入研究参
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
我正在学习卷积神经网络，并试图弄清楚数学计算是如何发生的。假设有一个输入图像有3个通道(RGB)，所以图像的形状是28*28*3。考虑为下一层应用大小为5*5*3和步幅为1的6个过滤器。这样，我们将在下一层得到24*24*6。由于输入图像是RGB图像，每个滤波器的24*24图像如何解释为RGB图像，即每个滤波器的内部构造的图像大小为24*24*3？
-
我正在研究CS231n卷积神经网络，用于视觉识别。在卷积神经网络中，神经元按3维排列(，，)。我对CNN的有问题。我无法想象这是什么。 在链接中，他们说。 我可以理解这样的想法：我们从图像上取下一小块区域，然后将它与“滤镜”进行比较。那么滤镜会收集小图像吗？他们还说那么感受野的维数和滤波器的维数是一样的吗？这里的深度是多少？我们使用CNN的深度意味着什么？ 编辑：所以在教程的一部分（真实世界示例部