machine-learning - 受限玻尔兹曼机中“提取8x8补丁”的背后原因是什么？

我在RBM的pyLearn2（机器学习库）示例中附带了此文档。有人可以告诉我为什么它更容易吗？

# First we want to pull out small patches of the images, since it's easier
# to train an RBM on these
pipeline.items.append(
    preprocessing.ExtractPatches(patch_shape=(8, 8), num_patches=150000)
)

值得一提的是，我对RBM并不了解，所以请多多包涵。有关完整的代码，请参考this link

最佳答案

简而言之，与任何算法一样，输入数越大，复杂度就越高。将问题分解为较小的子问题，然后将它们组合起来可能会更快（称为“分而治之”算法）。

现在，使用这些类型的机器学习算法，功能中还需要抽象。您既不想一次输入每个像素（仅具有本地信息），也不想以单个数字/符号来表示整个图像（仅具有全局信息）。许多方法将这类数据组合为分层表示（通常称为深度学习）。

如果将这两个概念结合在一起，则应该清楚的是，首先处理小的图像补丁会为您提供大量的本地信息，然后您可以将其组合起来以在以后的阶段推断出全局信息。因此，“因为它更容易”并不是其背后的全部理由。它还可以使所有功能执行得更好/更准确。

我希望这能回答您的问题而不会太含糊（彻底的回答将变得太长）。有关RBM的详细介绍，请参见例如page的第7章