卷积深度信念网络 (CDBN) 与卷积神经网络 (CNN)
Convolutional Deep Belief Networks (CDBN) vs. Convolutional Neural Networks (CNN)
最后，我开始学习神经网络，我想知道卷积深度信念网络和卷积网络之间的区别。 here中也有类似的问题，但是没有准确的答案。我们知道Convolutional Deep Belief Networks就是CNN+DBN。所以，我要做一个物体识别。我想知道哪一个比其他的或它们的复杂性好得多。我搜索了，但我找不到任何可能做错的事情。
我不知道你是否还需要答案，但无论如何我希望你会发现这个有用。
CDBN 增加了 DBN 的复杂性，但如果您已经具备一定的背景知识，那就没那么复杂了。
如果您反而担心计算复杂性，那实际上取决于您如何使用 DBN 部分。 DBN 的作用通常是初始化网络的权重以实现更快的收敛。在这种情况下，DBN 仅在预训练期间出现。
您也可以像判别网络一样使用整个 DBN（保持生成能力），但它提供的权重初始化足以完成判别任务。因此，在假设的实时利用期间，这两个系统在性能方面是相等的。
此外，第一个模型提供的权重初始化确实有助于完成物体识别等困难任务（即使单独使用良好的卷积神经网络也达不到很好的成功率，至少与人类相比是这样），所以它通常是不错的选择。
最后，我开始学习神经网络，我想知道卷积深度信念网络和卷积网络之间的区别。 here中也有类似的问题，但是没有准确的答案。我们知道Convolutional Deep Belief Networks就是CNN+DBN。所以，我要做一个物体识别。我想知道哪一个比其他的或它们的复杂性好得多。我搜索了，但我找不到任何可能做错的事情。
我不知道你是否还需要答案，但无论如何我希望你会发现这个有用。
CDBN 增加了 DBN 的复杂性，但如果您已经具备一定的背景知识，那就没那么复杂了。
如果您反而担心计算复杂性，那实际上取决于您如何使用 DBN 部分。 DBN 的作用通常是初始化网络的权重以实现更快的收敛。在这种情况下，DBN 仅在预训练期间出现。
您也可以像判别网络一样使用整个 DBN（保持生成能力），但它提供的权重初始化足以完成判别任务。因此，在假设的实时利用期间，这两个系统在性能方面是相等的。
此外，第一个模型提供的权重初始化确实有助于完成物体识别等困难任务（即使单独使用良好的卷积神经网络也达不到很好的成功率，至少与人类相比是这样），所以它通常是不错的选择。