（文章來源：數智網）

深度學習作為機器學習的一個分支，其學習方法可以分為監督學習和無監督學習。兩種方法都具有其獨特的學習模型：多層感知機 、卷積神經網絡等屬于監 督學習；深度置信網 、自動編碼器 、去噪自動編碼器 、稀疏編碼等屬于無監督學習。

20世紀60年代，Hubel和Wiesel通過對貓視覺皮層細胞的研究，提出了感受野的概 念。受此啟發， Fukushima提出神經認知機 （neocognitron）可看作是CNNs卷積神經網絡的第一個實現網絡，也是感受野概念在人工神 經網絡領域的首次應用。隨后LeCun等人設計并采用基于誤差梯度的算法訓練了卷積神經網絡，并且其在一些模式識別任務中展現出了相對于當時其它方法的領先性能。現代生理學關于視覺系統的理解也與CNNs中的圖像處理過程相一致，這為CNNs在圖像識別中的應用奠定了基礎。CNNs是第一個真正成功地采用多層層次結構網絡的具有魯棒性的深度學習方法，通過研究數據在空間上的關聯性，來減少訓練參數的數量。

CNNs是一個多層的神經網絡，每層由多個二維平面組成，每個平面又由多個獨立的神經元組成。上一層中的一組局部單元作為下一層鄰近單元的輸入，這種局部連接觀點最早起源于感知器。外界輸入的圖像通過可訓練的濾波器加偏置進行卷積，卷積后在Ｃ１層會產生３個特征映射圖；然后特征映射圖中每組像素分別進行求和加偏置，再通過Sigmoid函數得到Ｓ２層的特征映射圖；這些映射圖再通過濾波器得到Ｃ３層；Ｃ３與 Ｓ２類似，再產生Ｓ４；最后，這些像素值被光柵化，并且連接成向量輸入到神經網絡，從而便得到了輸出。

一般地，Ｃ層為特征提取層，每個神經元的輸入與前一層的局部感受野相連，并提取該局部特征，根據局部特征來確定它與其他特征空間的位置關系；Ｓ層是特征映射層，特征映射具有位移不變性，每個特征映射為一個平面，平面上所有神經元的權值是相等的，因而減少了網絡自由參數的個數，降低了網絡參數選擇的復雜度。每一個特征提取層都會跟著一個用于求局部平均及二次提取的計算層，這便構成了兩次特征提取的結構，從而在對輸入樣本識別時，網絡有很好的畸變容忍能力。

CNNs是人工神經網絡的一種，其適應性強，善于挖掘數據局部特征。它的權值共享網絡結構使之更類似于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量，使得CNNs在模式識別中的各個領域得到應用并取得了很好的結果。CNNs通過結合局部感知區域、共享權重、空間或時間上的降采樣來充分利用數據本身包含的局部性等特征，優化網絡結構，并且保證一定程度上的位移的不變性。由LeCun出的LeNet模型在應用到各種不同的圖像識別任務時都取得了不錯的效果，被認為是通用圖像識別系統的代表之一。通過這些年的研究工作，CNNs的應用越來越多，如人臉檢測 、文檔分析 、語音檢測 、車牌識別等方面。

DBNs是目前研究和應用都比較廣泛的深度學習結構，它由多個受限玻爾茲曼機累加而成。RBM結構分為可視層即輸入數據層（υ）和隱藏層（ｈ），每一層的節點之間沒有連接，但層和層之間彼此互連。相比傳統的sigmoid信念網絡，RBM易于連接權值的學習。其中，是條件概率分布。DBN學習的過程中，所要學習的就是聯合概率分布，在機器學習的領域中，聯合概率分布的意義就是對象的生成。

傳統的BP算法在經典的網絡結構中廣泛應用，但對于深度學習的訓練卻遇到了 很多困難：第一，BP算法是監督學習，訓練需要有標簽的樣本集，但實際能得到的數據都是無標簽的；第二，ＢＰ算法在多隱層的學習結構中，學習過程較慢；第三，不適當的參數選擇會導致局部最優解。為了獲取生成性權值，預訓練采用非監督貪婪逐層算法，非監督貪婪逐層訓練算法被Hinton證明是有效的。

非監督貪婪逐層訓練算法的核心思想是：把 DBN分層，每一層進行 無監督學習，每次只訓練一層，將其結果作為高一層的輸入，最后用監督學習 調整所有層。在這個訓練階段，首先，在可視層會產生一個向量ｖ，通過它將值映射給隱單元；然后，可視層的輸入會被隨機地選擇，以嘗試去重構原始的輸入信號；最后，這些新可視單元再次映射給隱單元，獲得新的隱單元ｈ。執 行這種反復步驟叫做吉布斯（Gibbs）采樣。隱層激活單元和可視層輸入之間 的 相關性差別就作為權值更新的主要依據。

在最高兩層，權值被連接到一起，從而更低層的輸出將會提供一個參考的線索或者關聯給頂層，這樣頂層就會將其 聯系到它的記憶內容。預訓練結束后，DBN可以利用帶標簽的數據及BP算法去 調整網絡結構的性能。DBNs的BP算法只需要對權值參數空間進行一個局部的搜索，這相比前向神經網絡來說，訓練的時間會顯著減少，訓練 RBM是Gibbs有效的隨機抽樣技術。在貪婪的學習算法過程中，采用了Wake-Sleep算法的基 本思想，算法在Wake階段，利用學習得到的權重，按照自底向上的順序為下一層的訓練提供數據；在Sleep階段，按照自頂向下的順序利用權重對數據進行重組。

DBNs是目前研究和應用都比較廣泛的深度學習結構，由于靈活性很好，因此比較容易拓展，例如卷積DBNs就是DBNs的一個拓展，給語音信號處理問題帶來 了突破性的進展。DBNs作為一個新興的生成模型，已廣泛應用到了對象建模、特征提取、識別等領域。
? ? ?（責任編輯：fqj）