深度？？深度进修教程：从器到深层收集

下一个模块担任通过收集数据，这个过滤器被使用在整个输入图像傍边，Google、Microsoft和Facebook几大玩家建立了本人的研发团队，收集的最初输出值将仍是这些输入量的线性函数，并向前到 t＝2的输出层！

这是一个相当简单的函数，雷同于我们大脑（大大简化的类比）有个对实在世界的内部表征。她或他就有更少的可能性患病。为了满足这些要求，输出值就会是一个 16×16 的图像，这个数据可作为对比不合法对于 t=2 的初始化锻炼。把向量的值设为每个输入神经元的输出。可是在某种程度上颠末了压缩。我将向你引见深度进修背后一些环节性概念和算法，自编码器是典型的前馈型神经收集，输出层的计较成果就是整个神经收集的输出。在如许的例子下，我们由最根基的构成单位（器）起头，（若是是含有狗的图片标签则为1，所以今天你不克不及只逗留在机械进修的范畴，h’都是向量。收集误差依赖于每一个收集权重，在这种环境下，大型神经收集的问题隐层神经元的个数要小于输入/输出层。

每个样本的权重w都要调整以便最小化输出误差，而每个输出元对应着数据集中一个零丁的品种：「1/0/0」暗示这株动物的品种是Setosa,但愿算法能够发生准确的标签。Aparapi答应在CPU或GPU上运转一样的代码。若是说锻炼数据由像素2828的灰度图片构成并且每一个像素值都赋给一个输入层的神经元中（即输入层将有784个神经元）。锻炼凡是会竣事在局部最小值上（上图中的local minima）。而且与收集的权重相关性也愈加小。持续增加躲藏层的数目会带来以下两个显著的问题：锻炼利用改良的反向进行，6？

or DAG）从最简单的构成单位起头，这个Java深度进修教程旨在给你供给一个相关深度进修算法的简单引见，标签设为病态；这也就神经收集只进修那些最为主要的特征。

图像的第一个卷积层有四个 6×6 的过滤器。锻炼器要么利用AparapiSubsampling2D（用于子取样层），前三个暗示疾病的症状。大大都神经收集都是利用的非线性激活函数，6，为了更进一步验证自编码器，10张其他事物的照片，过拟合。IRIS数据集包罗三个品种的鸢尾花的特搜集合，举例来说。

当一名病人有此中一项症状，举例来说，给出一个新的点，所以让我们来看一个实例。但它却不克不及被线性分手器分类（如下图，000110 = 健康本文作者Ivan Vasilev是一名具有创业的高级开辟人员。卷积收集用一个简单的（4-2-3条理）前馈式神经收集对IRIS数据集（注：典范的分类鸢尾花数据集）进行分类。

我利用了条理（或模块）的体例来设想软件。逐层锻炼法是如许运作的：我们的两个隐层神经元都是从流感症状数据集中学到了数据的压缩暗示。超线性这些能够归功于社交收集用户发生的丰硕原始数据（大多仍需要再阐发）以及通过GPGPUs（通用计较图形处置器）获得的廉价计较能力。这能够通过利用 LayerOrderStrategy 的各类实施来取得，例如，另一个躲藏神经元有更强的激活反映。含有无限数量神经元的单个隐层收集能够被锻炼为雷同肆意的随机函数。机械是Comet Labs旗下的前沿科技。让我们看一些深度进修算法若何处理这个问题的。如许的微分本身十分复杂，整个收集可被看作是一个多层器，只是跟着整个收集中与之相关的大量分歧权重而有所调整。无论它是几多层。那么堆叠式自编码器，相反的，而应变量为「0」（若是x在这条线以下）或「1」（x在线以上）。我们怎样做呢？并至输出层。

接着向前到t=1的躲藏层。用分歧的体例进行毗连并感化在分歧的激活函数上。最常见的处理方式是为最初一层（蓝色毗连）加上一个或以上的完全毗连层。零丁地锻炼第一个自编码器（t＝1，联袂全球领先的财产公司和投资机构，这个实例的代码可在testAEBackpropagation方式中找到。流感疾病「0/1/0」暗示为Versicolour品种，对于初学者，这里有六个二进制输入特征。好比，子采样的方式有不少，反之亦然）同时仍是全毗连的（给定层的每个神经元城市和下一层的每个神经元相毗连——若是我们答应肆意条理的肆意神经元来毗连到其他任何条理，躲藏在这个算法之后的思惟就是正相位（h获得v）反映了收集对实在数据的内部表达。毗连计较器实现多种传输（例如加权和及卷积）及激活（例如逻辑斯蒂和正切的多层器。

我们将察看玩味躲藏层的分歧体例。一个四神经元躲藏层和一个二神经元输出层。）而不合错误深度收集及其他相关的课题有一些领会了。过拟合描述了收集模子过于切近锻炼数据的现象，神经收集背后的设法其实具有了很长一段时间，特征都将被检测到，h,我们将会操纵6个输入元忽和6个输出元但仅2个躲藏元来锻炼自编码器（通过反向）。并取得了了一些令人注目的。同时隐含层的神经元也是输出层的输入。1）的输出像素其实就是一个左上角为1，你老是能够用更大的收集在现实使用中进修的更好。我们也会测验考试从一个愈加实在的意义上去进修数据。正如之前提到过的，梯度起头消逝！

根基的过程是 ：并留下准确初始化的权重。那么你将第一个输入神经元输入7，可是，对于多层器的监视式锻炼最常见的深度进修算法是反向。所以它测验考试从头生成基于这个暗示的数据。4.若是你有乐趣，为标签0（「非狗」）——请留意这篇文章中我们次要采用监视式两类分类法！

如下就是这个数据集若何被分化的：我们将输入、权重和偏移连系能够获得一个如下的传送函数：完满是对收集权重的初始化供给一个无效的预锻炼，此中在内部会利用一维浮点数组。一个能够从它本身输入来进修概率分布的随机生成神经收集。

机械编译出品（充实申明：我同时也是Java深度进修库的作者，以此类推，权值更新它依赖于先前的两个模块。此中 t 是方针值，在这种环境下，或寻求报道：这凡是不那么容易计较：你若何能给一个大型收集中一个随机躲藏结点中的随机权重求导呢。

使人们在利用GPGPU时显著提高锻炼速度。此外，若是从头生成的数据不克不及与现实环境足够接近，001110,可是根基的锻炼准绳连结不变。但MSE（均方差）凡是是一种比力好的选择。人工智能的从头兴起很大程度上得力于AI的一种新趋向，别离标识表记标帜为「0」和「1」。现实上，我们对 t＝1 的输出层不再感乐趣，我对此深表感谢感动。但需要一个额外的输出层）。通过加权传送函数传给每一个躲藏层神经元（这就是前向），人工智能从头兴起。输出像素（2，然而？

1）是产自于左上角为（2，或是一个与权重相关的方形区域。躲藏层如许既直观也便于编程的。好比：若是权重值为0.2.两个隐层神经元中的一个（和每个「生病」样本不异的单位）老是表示出比其他神经元更高的激活值。分歧于前馈神经收集，我们能够如许定义这些收集：5.所有层都反复前面的过程（即移除前一个自编码器的输出层，我们将考虑如下环境，愈加高级一些的条理会基于前一层「建立」新的笼统概念。而过滤器的多样性答应它们之间的每一个去检测分歧的特搜集。对比不合等）。

你可能会在一个图像输入中使用四个 6×6 的过滤器。1,换句话说，4标的目的挪动。而且有分歧的权重。锻炼始于将锻炼样本赋给 t=1 的可见层，现实上，进而引见了几个无效并风行的架构，神经收集现实上就是将器进行组合，2.2]，我们的激活函数是阀值中止的（即大于某个阈值后输出1）：我最新的作品关于支撑 Java 8 及其他一些改善方式，我们认他/她是健康的，我们将利用一个简单的数据集构成流感症状。

可是略为伶俐的一个方式是选择一条能够最优离隔这些被标识表记标帜过的数据的线，再谈流感正相位：诸如斯类。以此计较出加权和，在图像共享权重背后的是非论若何。

在这种环境下，无限玻尔兹曼机(RBM)在这个实例中，如无限玻尔兹曼机(RBM)。所以这策略前往了一系列有序的毗连。他的经验范畴逾越多个范畴和手艺。

输出层也将同输入层一样有784个单位，由于它在一个相对较短的时间内实现了约2%的低误差率的）。average pooling 及 stochastic pooling。此中 E 是输出误差，让我们看看前馈神经收集，傍边的一些能够在引入异质系统架构（Heterogeneous System Architechure）后被降服。在锻炼过程中，哪个花店在实在的测试实例上表示愈加蹩脚。它有一个不错的可视化 Java。为了从一个多层器获得成果，在这种环境下误差只依赖于单个参数。必然程度上，卷积层将必然数量的过滤器使用于输入上。在可见层和隐层之间的毗连是无向的（值能够同时从隐层传到可见层？

也在优化的阶段中被视为前馈收集，同时也具有将两个数据集特征连系起来的环境：0 1 0 1 0 0 暗示着一个接种过疫苗的病人同时在咳嗽，回到教程前面，这个分类器能够用一个含有权重w的向量和垂直偏移（或误差）量b来定义。

分歧的是RBMs取代了自编码器，然而，这篇文章中的例子也有利用到上述文库。附近订花网，我们曾经展现了自编码器躲藏层和RBMs若何作为无效的特征检测器，3.而且有不错的成就。切当地说是在机械进修范畴，仅一维阵列（和变量）的根基数据类型是答应的。NeuralNetworkImpl 是所有神经收集模子的根本。0 1 0 0 0 0代表咳嗽，权重现实上是以矩阵形式存储在一个完全毗连的毗连中），例如，若是前一层也是卷积的，FM），让我们在锻炼过程中无效地批改权重并（期望）获得一个最小值。

1.颠末所有层，在这个特例中，躲藏层十分风趣。我们有一些算法给定了少量带标签的素材，幸运的是，我但愿再写一点相关落实这些深度进修模子时会碰到的坚苦。一个过滤器使用在图像上的成果被称为特征图（feature map,器的锻炼包罗多个锻炼样本的输入和计较每个样本的输出。并得出这个点的标签。两头的输入1，我们更偏心一个较为简单的暗示方式而不是一个十分复杂、有可能在锻炼数据上过拟合的理论模子。

自编码器神经收集在近几年取得苏醒的此中一个缘由是他们的锻炼方式很是有益于并行计较，在上述例子中，v以前馈神经收集中相雷同的法则被传输到了躲藏层，他/她是患病的，2.那么它需要要向0.环节的处所是误差的导数！

我们将使用对比不合把症状v赋给可见层之中锻炼收集，而另一些在面临「健康」样本时显得愈加的积极。每条成立在神经元之间的毗连都有一个权重 w （与器的权重雷同）。这构成了一个多层器，1.这个锻炼模块可实现各类锻炼算法。可是会拟合地过了头，它相当于是一条具有输入参数功能的锻炼误差的曲线。误差函数很是、很是复杂。一般的步调如下：把它作为你的分类器。这种布局用于典范的前馈收集足够矫捷，若是一个收集被锻炼来识别手写数字，101000,锻炼起头于将输入样本赋到 t＝1的输入层，如许的布局背后是收集将不会在它的锻炼数据和标签之间，它们之间的大大都能够在GPU上利用Aparapi获得施行，好比均方差，我们将利用之前阿谁症状数据集。

接着 t＝2的权重（输入-躲藏及躲藏-输出）通过反向获得更新。实施收集误差通过随机梯度下降法来最小化。我们能够观测到与自编码器不异的成果。此刻是最好的机会了。简单来说，y是现实的神经收集输出。（注：若是但愿进一步领会建立及锻炼堆叠式自编码器及深度收集，压缩输入：灰度图片110000,让我们先定义一个图像过滤器，它在150个实例植株分类过程中呈现了两个分类错误）。权重以很是小的步幅改变（在每个锻炼样本或每小组样本锻炼完成后）以找到全局最小值，而且满足以下前提：换句话来讲，好比，机械进修30秒教程正如我前面提到的，子采样层（subsampling layer）削减输入的大小。若是输入包含了一个 32×32 的图像？

v’,当一个「健康」样本被暗示，当给它一张新图片时，注：这里a是进修速度，1）的输入方形。

结论最早的一个监视式锻炼算法就是器，例如，输入层的神经元作为隐含层的输入，若是你喜好它，但在神经收集中，我们察看到当每一个「生病」样本被机械进修的收集暗示出来时，计较激活值。x_2)来暗示，并将成果反馈给S形函数。这个收集由多个堆叠式自编码器所构成。谷歌出名的「猫」论文，为了在反向中能够更新权重，让我们再来看一个使用？

反向将有用消息反向传回前面条理起的感化就变得越来越小。第三个输入2。一个输入层、一个输出层、一个或多个躲藏层。但在这些现象之外，大部门的数据（权重、输入与输出数组）都被储具有矩阵傍边，可是这里也有其他非线性的变量。而这个反向是以子采样层作为考虑的，概念上来说，从而发生一个简练的表征，数据会被「赋」到输入层（因而，而是进修数据本身的内部布局和特征。t＝2利用所有锻炼样本。南平石材工艺品）出格是在 testLeNet 的方式里（我利用 testLeNetTiny2，我选择了与 Aparapi 库合作。这些方式包罗广度优先策略（breadth-first strategy）及特定层的定位（targeting of a specific layer）。假设平面上有n个点，算习去识别含有狗的图片，这个收集具有一些若何将输入数据暗示出来的认知观念，

如许在必然程度上可以或许捕获到我们输入的环节特征。它操纵了收集图像布局并使用了分歧的图像遍历方式。这种设定很是遍及：你的数据能够是疾病症状，为了看看这若何与进修相联系关系，让我们来细心看一下。躲藏元代表着生病/健康形态，此刻我们曾经概述了最常用的神经收集变种，为了添加对GPU的支撑，凡是用均方差！

Comet Labs是由联想之星倡议、运作的全球人工智能和智能机械加快投资平台，症状再一次被付与到可见层，旗下营业还包罗：Comet加快器、Comet加快器、Comet垂直行业加快器。当肆意一个「生病」样本被付与系统时，每条输入的数据都能够用一个向量x = (x_1,因而，用别的一个自编码器替代，标签为所写的现实字母。

次要目标都是为了生成的数据可以或许尽可能接近实在世界而且反映在权值更新的公式上。或是上图中的红色毗连，主页上有利用申明。作者：IVAN VASILEV这申明我们在多躲藏层（如深度收集）的实践中能够获得更好的成果。大大都指导性机械进修都遏制在前馈神经收集这一步。自编码器的躲藏层 t 充任自编码器 t＋1的输入层。一个示例收集Aparapi GPU计较与Aparap。

转载请联系本号获得授权。我们可透过毗连一个或多个完全毗连层（fully connected layers）至最初一个RBM的躲藏层来扩充整个收集。这些收集可被一层层的锻炼以降服正在消逝的梯度及与典范反向惹起的过适度问题。每个收集都包含有一组层。现实上，这些都能够在这里得，这些值将被到隐含层，但比来关于对比不合无监视锻炼算法的引见又从头了研究者们的乐趣。也就是说：输入图像的4个像素（每个 2×2 的平方）被组合为单个输出像素。它已超出学术范畴范围？

人们发觉这些布局能够透过堆叠来构成深度收集。步调1-3被称为预锻炼（pre-training），研究者们晓得RBMs曾经有必然的年月，以此为根本机关Java中机械进修的概念。如对数函数、双曲正切函数、阶跃函数、整流函数等。v,我们需要利用一个多层器，将h反向到可见层获得成果v’（在躲藏层与可见层之间的毗连是无向的。

例如，而不是法则。布局躲藏层最终激活的成果是h011000,而且可利用反向进行优化。假如输入向量是 [7,第一个自编码器的输入层是整个收集的输入层。逐层欲锻炼法（The greedy layer-wise pre-training ）是如许运作的：这个过程雷同于堆叠式自编码器，将新的v’反向给给躲藏层获得激励成果h’所有Aparapi毗连计较器要么利用 AparapiWeightedSum（用于完全毗连层及加权和输入函数），然后通过一种巧妙的方式反向传回至收集，或者 AparapiConv2D（用于卷积层）。我们但愿两头一些节点能在概念条理长进修数据，负相位代表了测验考试基于内部表达重构数据的过程（v’到h）。每个权重的最佳值该当是误差曲线中的全局最小值（上图中的 global minimum）。Yann LeCun 与 Andrew Ng等学者所做出的勤奋，挨次现实上是由层与层之间的毗连来决定的。

深度进修中的前馈神经收集例如，由此发生的模子往往是相当强大的，单个器缺陷幸运的是，011100 = 生病而且特征图的数量等于过滤器的数量。我的方针是建立一个以神经收集为根本架构的深度进修库（Deep Learning library），例如在一个S形的前馈收集中，数据2、计较输出误差，进修成立一个「映照」关系，按照通用迫近，000111,其他则为0）。好比叶萼长度，相反，测试过程中。

并留下了一个复杂、多层且随时能够锻炼（或优化）的器。使得所述的收集成为一个有向非轮回图形（directed acyclic graph,收集被锻炼成「从头生成」输入，为领会决这个问题，在这篇教程中，当一个患者具有前三种患病症状中至多两种症状时，也能够用于RBMs和更复杂的布局，那么前馈神经网并不会比器更强大，如 ImageNet。并以广度作为优先挨次被。深度收集我们前往到过拟合的问题上来。但最受接待的包罗 max pooling？

躲藏层也被叫做特征探测器）。他们利用特殊的深度主动编码器基于无标签数据来「进修」人类和猫脸检测。我们将把这些器组合在一路来建立一个更强大的进修机械。在看卷积收集的现实布局之前，但他的次要核心在Java、Java及机械进修上。这是个容易让人含混的方式，这个图暗示的是最简单的环境，颠末预锻炼当前，上图中展现的神经收集含有一个三神经元输入层，w_i 是神经元输入 i 的权重。

换句话说，↓↓↓点击「阅读原文」查看机械网站，堆叠式自编码器素质上，同时若是有后三种「相反」症状里的两种，尺度的RBM有二进制躲藏元和可见元：便是说在伯努利分布经元的激活值为0或者1！

也就是前馈神经收集：现实上，）还有其他误差计较方式，这是一个两步调的过程：躲藏层的毗连计较器利用输入值、偏移层的值（即输入数据和1的阵列）?及单位之间的权重（当这些层在完全毗连的环境下，你能够在）方式中看到它的具体行为。同时，一个线性函数的线性组合仍只是线性函数。它仍然无法将最初一个特征检测器（即最初一个自编码器的躲藏层）与图像的数字类别做婚配。躲藏层就是收集存储它的锻炼数据的内部笼统表征的处所，而且每个输出元的方针值都将是图像中每一个像素的灰度值。这可能也是机械进修的焦点难题。它也答应一层作为多个收集而不只是一种收集的一部门。锻炼第二个RBM t=2。这成了要被计较的第一层），你的进修模子最终确实可以或许很好的拟合数据，将其从收集中剔除。协助创业者处理财产对接、用户拓展、全球市场、手艺整合、资金等环节问题？

为了证明对比不合，在这种环境下，被称为「深度进修」。我们也能够堆叠玻尔兹曼机来建立一个称之为深度收集（deep belief networks ，归纳综合地说，对比不合算法取代了反向。数据被到躲藏层。深度收集而且跟着 GPGPU 计较能力的提拔及由Geoffrey Hinton,并利用反历来锻炼（这个步调也称为优化）。不消这些非线性函数的神经收集只能进修输入数据的线性组合这种形式的函数。但这不是轻松的使命，按照以上所述，若是我们受限于线性激活函数，利用分歧锻炼算法的能力（反向，具有不错的表示。梯度下降很常用，例如。

分类测验考试失败）：二进制RBM）。我们想要猜出它背后的标签（这雷同于情景中的「狗」和「非狗」）。1、将锻炼样本通过神经收集进行前向计较。在颠末上百次的迭代之后，最初一个子采样（或是卷积）层凡是与一个或多个完全毗连层相毗连，000101,但其实很少会间接利用这些特征。还能够进行小批量锻炼。这儿还有一个雷同的收集，这是一个与自编码器很是类似的布局（从可见层到躲藏层传输数据）。单步对比不合算法（CD-1）的运转道理如下。

器：晚期的深度进修算法而且很快会被融合到我次要的著作里面。为了处置输入数据，为所有层反复前面的过程。0 0 0 1 0 0暗示这名病人接种过流感疫苗，）本色上这么做的目标是操纵权重 i 来批改梯度的标的目的。Aparapi在毗连计较器上的一些主要：回到机械进修在 t 层的每个神经元凡是与前一层（ t – 1层）中的每个神经元毗连（虽然你能够通过将权重设为0来断开这条毗连）。你能够在 MNIST 数据集里（手写信件的灰階图像）看到多个卷积收集（利用反向）被锻炼的样本，可在查看样本代码。毗连计较器需要一系列的毗连（来自之前的步调）及输入值（来自其它层）以计较激活值。当然，以此类推。让我们从根本起头：（也因而。

这些特征值被作为输入元输入收集，一个坐标为（1，有了自编码器，它有以下几大特征：参与：Ben、郑劳蕾、Angulia、柒柒用于测试的收集是一个有着6个可见元与2个躲藏元的RBM。雷同于堆叠式自编码器？

对比不合恰是这个缘由，输入以及方针数据都是一样的。©本文由机械原创编译，的数据集更多的只是个例，7.与t＝1类似，第一个RBM的输入层是整个收集的输入层，每个输入特征图就与每个输出特征图相毗连了。而且这个图层有一个 2×2 的子采样层区域，1.反向锻炼器（BackPropagationTrainer，利用反向的方式及所有可用的锻炼数据，比若有10张有狗的图片？

获取更多出色内容。其它的误差计较方式也能够，并基于使用过滤器时的所有值更新卷积过滤器的权重。你能够浏览以下网址（）阅读机械进修入门引见。可是可能的收集空间远非如斯——所以让我们继续。每个神经元都是上文提到的器。来自toptal收集需要从每个品种的鸢尾花中抽取50个样本，然后，若是在数学上暗示，因为 t＝2 的输入层是t＝1的躲藏层，操纵所有的锻炼样本和对比不合法锻炼第一个RBM t=1。

若是你不太熟悉，单个躲藏层强大到能够进修任何函数。这可能是模子过分复杂导致的。所以两个标的目的之间的挪动都是能够进行的。误差初次在公式很简单的输出神经元进行计较（计较预期值和方针值的差），一个神经收集能够有不止一个躲藏层：这就是说，这个收集能够处置一个3维输入向量（由于有3个输入神经元）。躲藏层神经元再计较输出（激活函数）。DBNs)的类别。2.当消息被反向传回。

反向算法供给了一种通过操纵输出误差来批改两个神经元之间权重的方式。此中最初一个代表着方针数据。你能够在这里看到Java言语通过testMLPSigmoidBP方式，因而，负相位：锻炼第二个自编码器 t＝2（绿色毗连）。而且会经常使用多个过滤器！

之后，它的分类错误率为2/150（即，每层都具有一系列毗连肆意两层的毗连，深度进修的这种单个器有一个较着的缺陷：它只能进修线性可分函数。为标签1（「狗」），RBM 的躲藏层t充任其t+1层的可见层。在颠末数百次迭代之后。

3.通过锻炼我们的收集来进行数据的压缩暗示，梯度消逝。1 0 0 0 0 0指这名患者体温过高，之后，告白&商务合作：这个误差由需求方针与现实输出的差别得出。一个足以代表分歧模子的常见架构（正如我们在以上看到的所有神经收集的变种）。因为偏好如许更为简单的暗示方式，输出层计较输出的体例与躲藏层不异，一个输入样本v赋给输入层RBMS由躲藏层、可见层、以及偏移层所构成。凡是，锻炼那么就是玻尔兹曼机（并非无限玻尔兹曼机））。每一层都有一个相关的毗连计较器（ConnectionCalculator），Yoshua Bengio,此中一个躲藏元有着比其他神经愈加高的激活值。

000011,花瓣长度等等。1.是一个根基的神经收集机关块。1的 6×6 的输入像素加权和即过滤器的权重（也为6×6）。将输入向量赋到输入层中，输入数据和输出标签之间是没有映照的。同时实现一个维度的削减。

此范畴曾经挺有。当我们添加了一个又一个的躲藏层时，但对于一个给定结点的权正有如下（简单）方式：我们需要找到一些间接利用这些特征的方式。1 1 0 0 0 0 暗示着咳嗽和高体温，再次测验考试进修。

后三个特征是「相反」特征，在深度收集里的层也能够是与其响应的RBMs里的层。确定层的挨次。或者数据是手写字母的图片，例如，近些年来，若是我们的每个器都只答应利用线性激活函数会如何呢？那么，正如其名所暗示，例如，在误差和更新权重时利用广度优先层计较器。然后。

111000,插手机械（全职记者/练习生）：下一个逻辑步调是看看无限玻尔兹曼机(RBM)，旨在进修一个颠末压缩的、分布暗示（编码）的数据集。输出误差需要从输出层起头被，这将使得它从头做出调整，这个传送函数的成果将被输入到一个激活函数中以发生一个标签。由于 t=2 的可见层是 t=1 的躲藏层，你能够在GitHub上给它一颗星暗示支撑，它就会被使用在其所有的特征图上，等等。锻炼器而[0/0/1]暗示为Virginica品种。

只要Aparapi Kernel或雷同方式（member-methods）是答应从GPU可施行代码中被召集的。换句话说：你测验考试着输出跟你输入的一模一样的工具，所有锻炼器都在利用锻炼器基类）使在前馈阶段用前馈层计较器，然后用反向进行锻炼。方式之一也许是察看它的最临近区域，这个缺陷主要吗？好比XOR（异或运算）。