Learning multiple layers of representation(经典文献阅读)

最新推荐文章于 2024-03-07 07:51:20 发布
最新推荐文章于 2024-03-07 07:51:20 发布
阅读量2k 收藏
点赞数
分类专栏： Something_Interesting Deep_Learning Feature_Extraction Machine_Learning 文章标签： DeepLeaning 文献阅读 DBN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sheng_ai/article/details/40537269
版权

一.文献名字和作者

    Learning multiple layers of representation， Geoffrey E. Hinton
   

二.阅读时间

    2014年10月28日



三.文献的贡献点

    文章主要讲解了使用如何使用多层网络来学习到特征，主要还是集中在讲解RBM上面，以及将RBM级联起来作为一个高层特征提取器，也就是使用DBN作为一个生成模型来进行原始数据进行特征提取，这也是一个类似于综述一样的文章，如果想要真正理解这篇文章的话，可能还需要先看RBM的相关内容以及对于生成模型和判别模型如何区分。








版权所有，欢迎转载，转载请注明出处，谢谢微笑







shengno1
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Optical rectification in surface layers of germanium
02-23
In this Letter, we have demonstrated significant electric field induced (EFI) optical rectification (OR) effects existing in the surface layers of germanium (Ge) and measured the distributions of EFI OR signals along the normal directions of surface layers of Ge samples. Based on the experimental results, the ratios of the two effective second-order susceptibility components χzzz(2eff)/χzxx(2eff) for Ge(001), Ge(110), and Ge(111) surface layers can be estimated to be about 0.92, 0.91, and 1.07,
matlab实现zca去白化,ZCA白化变换推导——Learning Multiple Layers of Features from Tiny Images...
weixin_39676633的博客
03-20 770
参考文献：Learning Multiple Layers of Features from Tiny Images：附录设数据集 X 的维数为 d×n ，且已经中心化则协方差矩阵为1/(n-1)*X*X'我们想让这n个d维向量中任意两维都不相关，则假定去相关矩阵为WY = W*X为了使W达到去相关的目的，Y*Y‘必须是对角阵，可以进一步约束Y满足Y * Y’ = (n - 1) I再对W矩阵加限...
从 人工智能学派 视角来看 人工智能算法
最新发布
Verhan_Cao的博客
03-07 1214
人工智能算法太多了，它们杂乱无章，我该怎么学？也许你得追根溯源到学派思想，把握其中的根本
从安全视角对机器学习的部分思考
SIGAI_CSDN的博客
01-11 2599
其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。 书的购买链接 书的勘误，优化，源代码资源 摘要 近几年，机器学习的大规模应用，以及算法的大幅度提升，吸引了学术界、工业界以及国防部门的大量关注。然而，对于机器学习算法本身的局限性，由于其快速的发展也不断的暴露了出来。因此，不论是人工智能领域的学者，还...
Deep Learning-TensorFlow (14) CNN卷积神经网络_深度残差网络 ResNet
DiamonJoy
04-28 2万+
ResNet（Residual Neural Network）由前微软研究院的 Kaiming He 等4名华人提出，通过使用Residual Block 成功训练152层深的神经网络，在 ILSVRC 2015 比赛中获得了冠军，取得 3.57% 的 top-5 错误率，同时参数量却比 VGGNet 低，效果非常突出。
Learning multiple layers of representation理解
jovahe的专栏
12-01 1274
《Learning multiple layers of representation》是Hiton教授2007年发表在Trends. Cogn.Sci.上的一篇文章是深度学习的一篇经典文章，被引率非常高。 在文章的开始，提出的思想是：不同于以往学习一个分类器的目标，而是希望学习一个生成模型（generative model）。 作者指出，在一个神经网络中，如果它既包含自底向上的“
AlexNet论文(ImageNet Classification with Deep Convolutional Neural Networks)(译)
热门推荐
hongbin_xu的博客
05-10 9万+
前言 最近一直比较忙，总算才有时间看点深度学习的论文。这篇论文是大神Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton三人提出的AlexNet深度卷积神经网络，摘得了2010年ILSVRC比赛的桂冠。AlexNet在现在也经常会用到，可以说是很经典的一个CNN框架了。出于学习的目的，一方面可以做笔记，一方面也可以督促自己的学习，我才打算翻译下这...
阅读记录：Learning multiple layers of representation（杂乱笔记）
06-30 191
典型的浅层学习结构: 传统隐马尔可夫模型（ＨＭＭ）、条件随机场 （ＣＲＦｓ）、最大熵模型（Maxent）、支持向量机（ＳＶＭ）、核回归及仅含单隐层的多层感知器（ＭＬＰ）等。 局部表示,分布式表示和稀疏表示:局部表示聚类算法,最近邻算法的输入空间切割局部之间互斥,分布式表达ICA、PCA和RBM,器所使用的特征较少，PCA和ICA能获取主要分量信息，但输出信号数目小于输入信号数目，不能...
Deep learning: Learning multiple layers of representation
家家的专栏
12-06 3013
Geoffrey E. Hinton 的Learning multiple layers of representation可作为初学deep learning的paper之一吧~  结合以前所学习的paper资料，随便记录一二，没有参考价值~ Deep learning (以下简称DL)，这种深度架构，还是对人的视觉理解的一种模拟~ compute vision这个领域中，重大的突破往往能
zca白化 matlab代码,ZCA白化变换推导——Learning Multiple Layers of Features from Tiny Images...
weixin_39926613的博客
03-17 255
参考文献：Learning Multiple Layers of Features from Tiny Images：附录设数据集 X 的维数为 d×n ，且已经中心化则协方差矩阵为1/(n-1)*X*X‘我们想让这n个d维向量中任意两维都不相关，则假定去相关矩阵为WY = W*X为了使W达到去相关的目的，Y*Y‘必须是对角阵，可以进一步约束Y满足Y * Y’ = (n - 1) I再对W矩阵加限...
MLFS:A Multiple Layers Share File System for Cloud Computing
02-07
MLFS:A Multiple Layers Share File System for Cloud Computing
Extracting multiple layers from data having graph structures (2004年)
05-11
Much data such as geometric image data and drawings have graph ... In order to manage efficiently such graph structured data, we need to analyze and abstract graph structures of such data. The purpose of
deep learning
08-25
co-founder and CEO of Tesla and SpaceX, Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts....
Pulsed DC magnetron sputtering of transparent conductive oxide layers
02-25
A comprehensive material study of different transparent conductive oxides (TCOs) is presented.... Alternatively, ZnO:Al and ZnO:Ga layers with thicknesses of 200 and 250 nm are deposi
Network In Network(精读)
小胜爱捣鼓
11-20 1万+
一.文献名字和作者      Network In Network.Min Lin, Qiang Chen, Shuicheng Yan     二.阅读时间     2014年11月19日 三.文献的目的     文章主要是对于CNN结构进行改进，使得CNN能够学习到更加抽象和有效的非线性特征。 四.文献的贡献点 4.1 卷积层的改进--多
DBN和DNN的区别(未完待续)
小胜爱捣鼓
10-16 1万+
一.模型框架    DBN最后的两层是一个RBM，并且除了最后两层，其他的层都是top-down结构的有向图；    DNN是一个bottom-up的结构，同时，在一般的文献中，将DNN作为一个DBN进行训练得到的模型还是称为DBN(这就是为什么我一直分不清这两种结构的原因)。 二.训练算法     DBN在训练的时候，当做一个stack RBMs进行训
激活函数实现--3 Tanh函数实现
小胜爱捣鼓
07-18 1万+
1.TANH函数的定义 2. TANH函数的导数   3.TANH函数的实现 Tanh主要是通过类Tanh来实现的，该类继承自AbstrcactActivation类，主要实现Activating接口和Derivating接口。 Tanh类的定义如下： #ifndef TANH_H #define TANH_H #include
DeepPose: Human Pose Estimation via Deep Neural Networks(精读)
小胜爱捣鼓
08-29 1万+
一.文献名字和作者 DeepPose: Human Pose Estimation via Deep Neural Networks， CVPR2014     二.阅读时间 2014-08-29 三.文献的目的     文献为了解决当前对于姿态估计中只是使用局部的观点来估计关节点的坐标，这样虽然高效，但是，在实际应用中却无法使用。 四.文献的
Deeplearning Toolbox中CNN代码学习
小胜爱捣鼓
04-19 1万+
最近在研究CNN的实现，在还没自己动手写之前，先看看现在比较常用的Matlab的Deeplearning Toolbox中的CNN实现。     在Toolbox中，CNN的实现过程主要包括下面几个文件     cnntrain.m           //用于训练CNN的m文件     cnntest.m            //用于预测的m文件     cnnsetup.m    
The concept of deep learning
04-02
It is inspired by the structure and function of the human brain, where multiple layers of neurons process and analyze information to make sense of it. Deep learning algorithms are able to learn from...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值