人工神经网络 深度学习 MLP RBF RBM DBN DBM CNN 整理学习
注：整理自向世明老师的PPT
内容提要
2 前馈网络（单层感知器，多层感知器，径向基函数网络RBF）
3 反馈网络（Hopfield网络，联想存储网络，SOM，Boltzman及受限的玻尔兹曼机RBM，DBN，CNN）
发展历史
单层感知器
1 基本模型
2 如果激励函数是线性的话，可用最小二乘直接计算
3 如果激励函数是sifmoid function,可迭代更新（一次性或者逐样本更新）
上式只做了简单的求导展开，很容易推导
多层感知器
1 基本模型
2 举例（含有一个隐含层的多层感知器MLP）
模型：
y=h(v)=h(h(u))
求解：
这里怎么转换到6k(xi)的？
然后分别对两个层的权值求导：
然后更新即可，反向传播（BP）
3 经验
4 优缺点
RBF神经网络
1 模型
2 求解
3 优点和视角
深度学习简介
1 前向神经网络
2 发展历程
3 整体一览
4 一些值得关注
学术
工业
Belief Network & Hopfield Network & Boltzman机 & RBM 结构一瞥
1 Belief Network
2 Hopfield Network
3 Boltzman机
4 RBM 受限的玻尔兹曼机
RBM
1 模型
利用上图中公式，可以得到
2 求解 CD算法
DBN
1 模型
2 训练
面向特征提取
面向分类
DBM
模型
CNN
1 模型
2 训练
参考文献
文章来自：http://blog.csdn.net/lanbing510/article/details/40874173