文章目录
- 是起源于图模型的神经网络
- 由Hopfield神经网络那样的相互连接型网络衍生而来
- 先Hopfield 网络和玻尔兹曼机,然后受限玻尔曼机
- 最后由多个受限玻尔兹曼机推叠组成的深度信念网络
4.1 Hopfield神经网络
- 前几章介绍过的多层NN
- 如图4.1所示的相互连接型
- 相互连接型网络不分层,单元之间相互连
- 能根据单元的值记忆网络状态,称联想记亿
- 人脑能根据某种输人信息记忆或联想与之有关的信息,
- 看到¨“苹果”能“红色”,“香蕉”能¨“黄色”。
- 联想记忆就是通过在事物之间建立对应关系来记忆
- 多层神经网络和CNN可应用于模式识别
- 相互连接型网络可通过联想记忆去除输入数据中噪声
参考文献51添加链接描述
-
82年提出的 Hopfield神经网络是最典型的相互连接型网络
-
优点
- 连接权重对称
- 没有到自身的连接
- 单元的状态变化采用随机异步更新方式,
- 每次只有一个单元改变状态
- 基以上优点,
- Hopfield神经网络
- 每个单元只能是0或1,
- 故而网络有 2 n 2^n 2n种状态
- 联想记忆
- 当输入模式为某种状态时,输出端要给出与之相应的输出模式y
- 如果输入模式与输出模式一致,就称自联想记忆,
- 否则称异联想记忆。
- n个单元组成的 Hopfield神经网络,
- 第 i i i个单元在t(t=0,1,2,…)时输入记 u i ( t ) u_i(t) ui(t),输出记 x i ( t ) x_i(t) xi(t)
- 连接权重为 w i j w_{ij} wij
- 國值 b i ( t ) b_i(t) bi(t)
- t+1时刻单元的输出 x i ( t + 1 ) x_i(t+1) xi(t+1)可表示
x i ( t + 1 ) x_i(t+1) xi(t+1)显然只与t时刻这个单元的输入有关啊,如果t时刻的输入>0,那么就是1,如果t时刻的输入是0,那么维持输出不变啊