Answers:
“神经网络”是通常用于指代前馈神经网络的术语。深度神经网络是具有许多层的前馈神经网络。
深度信念网络与深度神经网络不同。
正如您所指出的,深层信念网络在某些层之间具有无方向的连接。这意味着DNN和DBN的拓扑在定义上是不同的。
DBN中的无向层称为受限玻尔兹曼机。可以使用非常快的无监督学习算法(Contrastive Divergence)来训练该层(这里是链接!
其他一些评论:
用更深的神经网络获得的解对应的性能要比具有1或2个隐藏层的网络获得的解差。随着体系结构的深入,使用Deep NN获得良好的概括变得越来越困难。
在2006年,Hinton发现,通过使用无监督学习算法(Contrastive Divergence)对每一层(RBM)进行预训练,可以在更深的体系结构中获得更好的结果。然后,可以使用反向传播以监督的方式训练网络,以“调整”权重。
“ 深度神经网络是一种前馈人工神经网络,在其输入和输出之间具有一层以上的隐藏单元。每个隐藏单元通常使用逻辑函数映射其来自下一层的总输入,即,转换为标量状态,并将其发送到上一层。(参考(1))”。
也就是说,正如David所提到的:“ 深层信任网络在最上两层之间具有无方向的连接,就像在RBM中一样 ”,这与标准前馈神经网络相反。通常,DNN中的主要问题是与单层NN相比,它的训练肯定涉及更多。(我不从事神经网络研究,只是最近我读了这篇论文。)
参考资料:1. 用于语音识别中的声学建模的深度神经网络,作者:Geoffrey Hinton,李登,Dong Yu,George Dahl,Abdel-rahman Mohamed,Navdeep Jaitly,Andrew Senior,Vincent Vanhoucke,Patrick Nguyen,Tara Sainath和Brian金斯伯里(Kingsbury)在IEEE信号处理杂志上发表[82] 2012年11月(链接到MSR中的原始论文)
很高兴在这里看到Alex的评论。我一直在向人们解释DL是典型的神经网络。学习方案没有区别。较早的用c(70s)编写的ANN可以选择设置多个隐藏层。实际上,我测试以确定是否有更多的隐藏层可以提高准确性。层数不会使DL与ANN有所不同。
我讨厌这些营销术语。现在我们有这么多的DL专家,他们不知道DL实际上是ANN。由于市场营销是如此的强大,人们相信我们在机器学习领域取得了很大进步。但是,没有什么新鲜的!