深度学习基础--不同网络种类--和-积网络(sum—product network)

最新推荐文章于 2022-01-20 12:15:19 发布
最新推荐文章于 2022-01-20 12:15:19 发布
阅读量3.2k 收藏 2
点赞数 1
分类专栏： 深度学习基础
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/wydbyxr/article/details/83894610
版权

和–积网络(sum—product network)

  这种模型是基于和积运算的。
  深度学习最主要的困难是配分函数的学习，如何选择深度结构神经网络的结构使得配分函数更容易计算。就此，Poon等人提出一种新的深度模型结构----和–积网络(sum—product network，SPN)，引入多层隐单元表示配分函数，使得配分函数更容易计算。

网络结构

  SPN是有根节点的有向无环图，图中的叶节点为变量，中间节点执行和运算与积运算，连接节点的边带有权值。
  它们在Caltech-101和Olivetti两个数据集上进行实验证明了SPN的性能优于DBN和最近邻方法。
在这里插入图片描述

在这里插入图片描述

whitenightwu
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
文献阅读 - Sum-Product Networks: A New Deep Architecture
Always On The Way
12-23 1100
Sum-Product Networks: A New Deep Architecture H. Poon, P. Domingos, Sum-Product Networks: A New Deep Architecture, ICCV (2011), Best Paper 摘要 图模型（graphical model）推理（inference）和学习（learning）的主要制约因素（ke...
2024年大数据最新【深度学习】（三）图像分类_图像分类技术最新发展，2024大数据开发春招面试真题
最新发布
2401_84573250的博客
05-05 762
下图所示为 VGGNet 各级别的网络结构图，以及随后的每一级别的参数量，从11层的网络一直到19层的网络都有详尽的性能测试。这其中的D、E也就是我们常说的 VGGNet-16 和 VGGNet-19。通过反复堆叠3X3的小卷积核和2X2的最大池化层，VGGNet成功的搭建了16-19层的深度卷积神经网络。Inception V1有22层，比AlexNet的8层和VGGNet的19层还要深．参数量（500万）仅有AlexNet参数量（6000万）的1/12，但准确率远胜于AlexNet的准确率．。
Sum-product Networks
weixin_30483697的博客
12-07 202
1.图模型(graphical model)http://blog.csdn.net/xianlingmao/article/details/5774435 转载于:https://www.cnblogs.com/banbana88/archive/2012/12/07/2807576.html
Sum-Product Networks模型的研究及其在文本分类的应用
01-27
图模型在机器学习有着广泛的应用。相比图模型，Sum-Product Networks模型具有更强表达能力和更快的推理速度，所以其在对文本和图像数据建模有着广泛的应用。本文总结Sum-Product Networks这一新的深度概率模型的研究进展，先介绍了固定结构的Sum-Product Networks的参数学习方法，再介绍了根据不同的输入数据而进行的结构和参数学习方法。并且介绍了判别式和生成模型的Sum-Product Networks，最后介绍了Sum-Product Networks在文本分类上的应用。
ML_12 Sum-Produkt Networks 和积网络
w317672256的博客
07-29 675
他的特别指出：目标是概率的建模： 概率分布完整表达 边缘概率和模型更有效率的计算 边缘效率和模型更有效率的学习 对概率模型的要求： 更有效率的推理 理解性更强 ->现在他只能有一定条件的满足 概率模型的种类 bayessches Netz 一定的相关性 推导NP（非确定性算法，需要把问题分解成猜测和验证两部分，同时多项式时间可以解决所以加了一个C） Markov Netz是相关性 Sum-...
推荐算法-PNN(Product Network)
Silence的博客
05-17 1万+
推荐算法-PNN   这篇文章出自上海交大，针对直接把Embedding之后的特征输入到神经网络中进行计算对特征的交叉组合不充分而提出来的。也是对特征的组合做文章的一种方法。 PNN网络结构   模型结构如下图所示： 可以看出模型也是实现CTR预估任务，输入数据是对特征进行one-hot编码之后特征，然后经过一个embedding层，将输入特征映射到相同长度的特征得到上图中的embedding层...
spyn:python中的Sum-Product网络学习例程
05-31
埃斯波西托在 ECML-PKDD 2015 上简化、正则化和加强和积网络结构学习。 要求 spyn建立在 ， ， ， ， 和。 用法 data/文件夹中提供了几个数据集。 要运行算法及其网格搜索，请检查bin/文件夹中的脚本。 要从nltcs...
基于MAX-SUM算法的无线传感器网络效益最大化仿真,matlab源码+word论文
05-29
基于MAX-SUM算法的无线传感器网络效益最大化仿真,matlab源码+word论文 通过MAX-SUM算法使使整个系统的效益达到最大。介绍了经典MAX-SUM算法的基本理论，对消息传递模型进行了仿真，然后给予消息传递模型的仿真模型...
自研操作系统：DIM-SUM设计与实现.pdf
03-05
本书主要探讨了作者发起和创建的自研操作系统——DIM-SUM的设计理念和实现方法，特别适用于对操作系统感兴趣的大学生、研究生以及操作系统开发工程师。 书中详细阐述了DIM-SUM操作系统的关键组成部分，包括同步与...
LDPC2_sum-product_比特翻转_LDPC译码_LDPC_
09-30
LDPC的译码算法
【笔记】基于轻量和积网络及无人机遥感图像的大豆田杂草识别
YaoYee_21的博客
11-03 832
该文改进传统和积网络的学习过程，提出一种以小批量数据作为输入的轻量和积网络。在结构学习中，当积节点作用域内的变量个数小于一定阈值时，合并积节点为多元叶节点，否则将积节点重组为和积混合结构，并对边缘节点进行裁剪，有效降低了模型的参数量和复杂度。在参数学习中，提出贝叶斯矩匹配更新网络参数，使得模型对小样本的学习效率更高。最后结合 K 均值聚类算法应用于无人机图像中的杂草识别。
深度学习第四期学习笔记01：DNN与混合网络
Kasumi_syuu
01-13 360
卷积神经网络 飞速发展，图像识别效果超过人类 IMAGENET 挑战赛，识别准确度已经超过人类(2015 ResNet) 交并准则：一般比值大于0.5时是比较准确的定位 图像分类问题：在几个中选一个 损失函数用softmax 损失函数 越过delta线就要加多少惩罚 max(0,错误类的得分-安全警戒线的距离)衡量哪一个大。 某一个类别得分和真实得分的惩罚 形成概率问题:答案是猫的概率是多少...
七月算法深度学习 第三期 学习笔记-第二节 DNN与混合网络
大牙的博客
07-09 709
背景介绍 1.深度学习应用 图像应用----识别 （举例：淘宝拍立淘、路况识别、图像labeling、图像分割转换） NLP应用----文笔模仿 NLP+图像上的应用----机器翻译、机器同声传译、语音识别 综合应用 综合应用原理 2.神经网络非线性能力及原理 1).感知器与逻辑门 线性分类器：得分函数 损失函数（或称代价函数、客观度）： 给定W
Unit 3-Lecture1: Sum & Product
TecLand
02-15 330
1 Sums Arithmetic sums Geometric sums Harmonic sums 1.1 Integral methodTheorem: let f:R+→R+ f: R^+ \to R^+ be weakly increasing function. Define S::=∑i=1nf(i) S ::= \sum_{i=1}^nf(i) and I::=∫n1f(x
吴恩达deeplearning之CNN—卷积神经网络入门
热门推荐
ice_actor的博客
11-28 16万+
1.边界检测示例假如你有一张如下的图像，你想让计算机搞清楚图像上有什么物体，你可以做的事情是检测图像的垂直边缘和水平边缘。 如下是一个6*6的灰度图像，构造一个3*3的矩阵，在卷积神经网络中通常称之为filter，对这个6*6的图像进行卷积运算，以左上角的-5计算为例 3∗1+0∗0+1∗−1+1∗1+5∗0+8∗−1+2∗1+7∗0+2∗−1=−53*1+0*0+1*-1+1*1+5*0+
计算机网络的类别
Catherine的笔记
02-05 6544
计算机网络的类别 1. 按覆盖的地理范围分 1.1 互联网(internet) 互联网又称网际网络，或音译因特网(Internet)、英特网，互联网始于1969年美国的阿帕网。是网络与网络之间所串连成的庞大网络，这些网络以一组通用的协议相连，形成逻辑上的单一巨大国际网络。通常internet泛指互联网，而Internet则特指因特网。 互联网特点： (1)在互联网中，不同网络之间的互联是通过路由器实现的。
几种经典的卷积神经网络模型
yaoxunji的博客
03-17 7万+
目录 1.卷积神经网络解决的问题 2.经典的卷积神经网络 2.1 LeNet 2.2 AlexNet 2.3 VGG 2.3.1 VGG块 2.3.2 VGG网络 2.4 NiN 2.4.1 Nin块 2.4.2 Nin网络 2.5 GooLeNet 2.5.1 Inception块 2.5.2 GoogLeNet网络 2.6 ResNet 2.6.1 残差块 ...
网络的类别
LiGuogang
01-20 1702
按网络的作用范围进行分类 广域网WAN 广域网WAN (Wide Area Network) 广域网的作用范围通常为几十到几千公里，因而有时也称为远程网(long haul network)。广域网是因特网的核心部分，其任务是通过长距离（例如，跨越不同的国家）运送主机所发送的数据。连接广域网各结点交换机的链路一般都是高速链路，具有较大的通信容量。 城域网MAN 城域网MAN (Metropolitan Area Network) 城域网的作用范围一般是一个城市，可跨越几个街区甚至整个的城市，其作用距离约为5
不同网络之间的访问
qq_38902271的博客
11-20 1117
应用场景： 不同vlan(子网）之间的正常访问方式： 1.单臂路由 2.三层交换机 冲突域与广播域 串口和以太网口 串口： 专为广域网设计，它可以做ISDN,PPP,帧中继等网络类型的连接可以接很多网络类型，要使用它必须设置时钟频率（DCE、DTE），路由表的算法也在此接口上形成 以太网口： 以太网口是对局域网内的，它只有拥有局域网所需要的所有功能。没有广域网接口所需要的功能，而广域网串口也没有局域网以太网口接口的功能，所以两个接口是不能对调的 Access、Truck和Hybrid三种端口模式

“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