我是神经网络 Realm 的新手，我想知道深度信念网络和卷积网络之间的区别。
另外，是否存在由深层信仰和卷积神经网络相结合的深度卷积网络？
这是我到目前为止收集的。如果我错了，请纠正我。
对于图像分类问题，深度信任网络具有许多层，每个层都使用贪婪的逐层策略进行训练。
例如，如果我的图像尺寸是50 x 50，并且我想要一个具有4层的深度网络，即
我的输入层将有50 x 50 = 2500个神经元，HL1 = 1000个神经元(例如)，HL2 = 100个神经元(例如)，输出层= 10个神经元，
为了训练输入层和HL1之间的权重(W1)，我使用自动编码器(2500-1000-2500)并学习了2500 x 1000的W1(这是无监督学习)。然后，我将所有图像转发到第一个隐藏层以获取一组特征，然后使用另一个自动编码器(1000-100-1000)获得下一组特征，最后使用softmax层(100-10)进行分类。 (仅学习最后一层的权重(HL2-输出是softmax层)是监督学习)。
(我可以使用RBM代替自动编码器)。
如果使用卷积神经网络解决了相同的问题，那么对于50x50的输入图像，我将仅使用7 x 7的补丁开发一个网络(例如)。我的图层是
为了学习权重，我从尺寸为50 x 50的图像中提取了7 x 7色块，并通过卷积层前馈，因此我将拥有25个不同的特征图，每个尺寸为(50-7 + 1)x(50-7) +1)= 44 x 44。
然后，我说一个11x11的窗口用于汇集手，因此获得25个大小为(4 x 4)的要素图作为汇集层的输出。我使用这些特征图进行分类。
在学习权重时，我没有像在深度信念网络(无监督学习)中那样使用分层策略，而是使用监督学习并同时学习所有层的权重。这是正确的还是还有其他方法可以学习权重？
我所理解的正确吗？
因此，如果我想使用DBN进行图像分类，则应该将所有图像调整为特定大小(例如200x200)，并在输入层中包含那么多神经元，而在使用CNN的情况下，我只能在较小的图像块上进行训练输入(例如，对于尺寸为200x200的图像，为10 x 10)并将学习到的权重卷积到整个图像上？
DBN是否提供比CNN更好的结果，还是仅取决于数据集？
谢谢。
最佳答案
一般而言，DBN是生成神经网络，将限制的玻尔兹曼机器(RBM)堆叠在一起。您可以将RBM视为生成式自动编码器；如果您想要一个深层的信念网，则应该堆叠RBM，而不是简单的自动编码器，因为Hinton和他的学生Yeh证明了堆叠RBM会导致S型信念网。
在当前有关基准计算机视觉数据集(例如MNIST)的文献中，卷积神经网络的性能优于DBN。如果数据集不是计算机视觉的，那么DBN绝对可以表现更好。从理论上讲，DBN应该是最好的模型，但是目前很难准确估计联合概率。您可能对Lee等感兴趣。 al(2009)在卷积深度信念网络上的工作，希望将两者结合起来。
关于machine-learning - 深度信念网络与卷积神经网络，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/24545725/