深度信念网络与卷积神经网络在非图像分类任务中的性能比较
在基于深度信念网络的改进分类中，作者指出，为了更好地分类，在训练分类器之前，使用生成模型初始化模型和模型特征。通常需要它们来解决单独的无监督和有监督学习问题。生成受限Boltzmann机器和深层信念网络被广泛用于无监督学习目的。
我的问题是，如果我要通过无监督学习执行非图像多类分类任务，使用深层信念网络或卷积神经网络是否更好，而不考虑数据集也很重要？
这里提出了一个与图像分类任务相关的类似问题：深度信念网络与卷积神经网络。答案表明，DBN在非图像分类任务中的表现可能比CNN更好，但是否有任何证据表明这一点，或者有任何论文对此进行了更深入的探讨？
共有1个答案
卷积神经网络中的操作专门针对图像处理进行调整。E、 g具有参数共享的特征提取卷积在图像的不同部分上运行，CNN还包括子采样层，可以理解为生成（处理过的）输入图像的较小版本。因此，如果输入数据不是图像或与图像不太相似，我可以想象CNN有一个固有的缺点。
-
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。
-
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
-
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
-
我正在尝试运行一个CNN（卷积神经网络），具有1通道/灰度图像，大小为28x28像素。当我尝试训练模型时，它说： ValueError：图层sequential_5输入0与图层不兼容:: 预期min_ndim=4，发现ndim=3。完整形状收到：[无，28,28]
-
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？
-
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