在阅读了几篇关于深度学习和深度信念网络的论文后，我对它的工作原理有了一个基本的了解。但仍然坚持最后一步，即分类步骤。我在 Internet 上找到的大多数实现都与生成有关。（MNIST 数字）
是否有一些解释（或代码）可以讨论使用 DBN 对图像（最好是自然图像或对象）进行分类？
此外，一些方向的指示会非常有帮助。
问问题
7825 次
3 回答
24
基本思想
如今，用于图像分类问题的最先进的深度学习（例如ImageNet）通常是“深度卷积神经网络”（Deep ConvNets）。它们看起来大致类似于Krizhevsky 等人的 ConvNet 配置：
对于推理（分类），您将图像输入左侧（注意左侧的深度为 3，对于 RGB），通过一系列卷积过滤器进行处理，然后在右手边。这张图片特别适用于 ImageNet，它专注于对 1000 个类别的图像进行分类，因此 1000d 向量是“这张图片适合该类别的可能性的分数”。
训练神经网络只是稍微复杂一些。对于训练，您基本上重复运行分类，并且每隔一段时间进行一次反向传播（参见 Andrew Ng 的讲座）以改进网络中的卷积过滤器。基本上，反向传播询问“网络正确/错误地分类了什么？对于错误分类的东西，让我们稍微修复一下网络。”
执行
Caffe是深度卷积神经网络的一个非常快速的开源实现（比Krizhevsky 等人的cuda-convnet更快）。Caffe 代码非常容易阅读；每种类型的网络层（例如卷积层、最大池化层等）基本上都有一个 C++ 文件。
于 2014-01-16T19:52:11.337 回答
2
您应该在用于生成的网络之上使用 softmax 层 ( http://en.wikipedia.org/wiki/Softmax_activation_function )，并使用反向传播来微调最终网络。
于 2014-01-12T10:07:55.573 回答
2
这些天人们开始在分类层中使用 SVM。
深度学习正在非常自由和广泛地发展。
于 2014-09-12T06:04:46.253 回答