Theano で Deep Learning <6の準備>: ホップフィールドネットワーク - StatsFragments
DeepLearning 0.1 Documentation の第六回は 制約付きボルツマンマシン (Restricted Boltzmann Machines / RBM) なのだが、文書／内容とも結構 ボリュームがあるので外堀から埋めていきたい。 そのため、今回は ボルツマンマシンの前身である ホップフィールドネットワークを Python で書いてみる。 目次 DeepLearning 0.1 より、 第一回 MNIST データをロジスティック回帰で判別する 英 第二回 多層パーセプトロン 英 第三回 畳み込みニューラルネットワーク 英 第四回 Denoising オートエンコーダ 英 第五回 多層 Denoising オートエンコーダ 英 第六回の準備1 networkx でマルコフ確率場 / 確率伝搬法を実装する - 第六回の準備2 ホップフィールドネットワーク (今回) - 第六
ゼロから始めるDeepLearning_その2_ホップフィールドネットワークとは - 分からんこと多すぎ
はじめに 学部四年生向け。 ゼロから始めるDeepLearning_その1_ニューラルネットとは - 分からんこと多すぎ →（Auto Encoder） →（Denoising AutoEncoder） →ホップフィールドネットワーク（この記事） →ゼロから始めるDeepLearning_その3_ボルツマンマシンとは - 分からんこと多すぎ →Restricted ボルツマンマシン（後日） →（Gaussian Binary - Restricted Boltzmann Machines） →（Deep Belief Networks） →（Deep Neural Networks） →畳み込みニューラルネット（後日） 太線以外は読み飛ばしてOK 知識に乏しく深く踏み込めなかったので、間違ってたらごめんなさい。 参考図書 An Introduction to Restricted Bolt
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
The Eyescream Project - NeuralNets dreaming natural images
