شبکه باور عمیق

شبکه باور عمیق نوعی شبکه عصبی مصنوعی است که از روش سازنده استفاده می کند. این شبکه عصبی مصنوعی شامل یک لایه از متغیرهای دیده شده و چندین لایه شامل متغیرهای دیده نشده ( مخفی ) است که بین عناصر دو لایه می تواند اتصالاتی وجود داشته باشد. [ ۱]
شبکه باور عمیق یه عنوان راه حلی معرفی شد تا بتواند مشکلاتی را که قبل از آن در شبکه های عصبی وجود داشتند ( مانند مدت زمان زیاد یادگیری، رسیدن به کمینه های محلی به دلیل انتخاب نامناسب متغیرها، و نیاز به داده زیاد برای یادگیری ) ، حل کند.
شبکه باور عمیق شامل لایه های ورودی و خروجی به همراه چندین لایه مخفی در بین آن ها می باشد. در لایه های متوالی ماشین بولتزمن محدود شده به کار رفته است که باعث می شود شبکه به صورت لایه به لایه و با سرعت بالایی آموزش ببیند. ماشین بولتزمن محدود شده دارای دو لایه از نورون ها می باشد که لایه اول ورودی شامل متغیرهای دیده شده است و لایه دوم شامل متغیرهای مخفی است. نورون ها بین این دو لایه به یکدیگر متصل شده اند اما درون یک لایه هیچ اتصالی وجود ندارد.
شبکه باور عمیق می تواند به صورت خودران ابعاد داده ورودی را کاهش دهد یا اینکه با استفاده از یادگیری با نظارت عملیاتی مانند طبقه بندی انجام دهد. پیاده سازی های مختلفی از این شبکه تا به حال انجام شده است که هر کدام کاربرد متفاوتی دارد. به طور مثال این شبکه در نوار مغزی کاربرد زیادی داشته است. [ ۲]
آموزش یک شبکه باور عمیق در دو مرحله اجرا می شود. در مرحله اول همه ماشین های بولتزمن محدود شده به صورت لایه به لایه بدون نظارت آموزش داده می شوند. در مرحله دوم با استفاده از الگوریتم پس انتشار مقدار وزن های شبکه به روزرسانی می شود.
برای آموزش یک ماشین بولتزمن محدود شده تابع هزینه به این صورت استفاده می شود p ( v ) = 1 Z ∑ h e − E ( v , h ) که در آن Z تابعی برای نرمال سازی است و E ( v , h ) تابع انرژی مربوط به دو لایه دیده شده و مخفی است. با محاسبه گرادیان این تابع به صورت ∂ log ⁡ ( p ( v ) ) ∂ w i j حاصل به شکل ⟨ v i h j ⟩ data − ⟨ v i h j ⟩ model ساده می شود که در آن ⟨ ⋯ ⟩ p نشان دهنده میانگین نسبت به توزیع احتمال p است. البته عبارت ⟨ v i h j ⟩ model با استفاده از روش های نمونه گیری در هر مرحله تخمین زده می شود.