Question

我在关于RBM的pyLearn2（机器学习库）示例中提供了此文档。有人能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)
)

对于它的价值我并不了解RBM，所以请耐心等待。有关完整代码，请参阅this link

Answer 1

简而言之，与任何算法一样，您的复杂性随着输入数量的增加而增加。将问题划分为较小的子问题并随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，还需要对功能进行抽象。您既不想一次输入每个像素（只有本地信息），也不希望用单个数字/符号表示整个图像（只有全局信息）。许多方法将这些类型的数据组合成分层表示（主要称为深度学习）。

如果将这两个概念结合在一起，应该清楚（呃）处理小图像补丁首先会为您提供更多的本地信息，然后您可以将这些信息组合起来在稍后阶段推断为全局信息。所以＆＃34;因为它更容易＆＃34;并不是它背后的完整推理。它还使一切表现更好/更准确。

我希望这可以回答你的问题而不会太模糊（彻底的回答会变得太长）。有关RBM的更详细介绍，请查看例如关于这个page

的第7章

是什么原因＆＃34;提取8x8补丁＃34;在受限制的玻尔兹曼机器？

1 个答案: