با سلام

در این قسمت شبکه عصبی ماشین بولتزمن محدود شده (RBM) restricted Boltzmann machine را معرفی می کنیم.

شبکه های RBM از شبکه هایی است که هم می تواند به صورت با ناظر و هم به صورت بدون ناظر یا همزمان به صورت ترکیبی آموزش ببیند. زمانی که شبکه به صورت بدون ناظر آموزش می بیند باید از توزیع های احتمالی پیروی کرد، بنابراین جهت درک این نوع شبکه ها باید با توزیع های آماری و مسائل و توضیحات مربوط به احتمالات آشنایی داشت. از طرفی به دلیل پیروی این نوع شبکه ها از گراف بیزی، هنگام آموزش بدون ناظر از قوانین گراف بیز نیز استفاده می شود.

 

شبکه های عصبی  RBM شبکه های بسیار مهمی می باشند زیرا که پایه و اساس شبکه های باور عمیق (Deep Belief networks)، شبکه های خود رمزگزار عمیق (deep Autoencoder) و شبکه های عصبی عمیق (DNN)، شبکه های در هم پیچش (convolutional RBM) RBM می باشند. علاوه بر این جهت پیش آموزش شبکه های دیگر نیز از این نوع شبکه ها استفاده می شود. مثلا جهت پیش آموزش شبکه CNN از این نوع نورون ها استفاده می شود.

از جمله کاربردهای این شبکه عبارتند از:

  • dimensionality reduction
  • classification
  • collaborative filtering
  • feature learning
  • topic modelling

این نوع شبکه ها به ویژه زمانی پیشنهاد می شوند که داده های هدف موجود نباشد و تنها بر اساس داده های ورودی آموزش را انجام دهیم.

پس از آموزش ساختار شبکه عصبی RBM به صورت تئوری و توضیح کامل مراحل آموزش شبکه به صورت با ناظر و بدون ناظر، به صورت عملی یک شبکه عصبی RBM را از ابتدا در MATLAB پیاده سازی می کنیم و فایل آن قابل دانلود است. این فایل هم به صورت با ناظر و هم به صورت بدون ناظر مورد استفاده قرار می گیرد و هر دو روش به صورت کامل در فایل ویدیویی مورد بررسی قرار می گیرد.

فایل های متلب برای انواع دیگر شبکه ی RBM قابل استفاده است که در فایل های متلب قرار داده شده موجود هستند. از جمله Convolutional RBM, Dynamic RBM, RBM with Continuous inputs, Mean-Covariance RBM

دیتاست های مختلف که در هر یک از روش ها مورد استفاده قرار گرفته در فایل دیتا موجود است. از جمله: mnistSmall , patchDataSmallRGB, toySpatioTemporal, gaussianData, facesDataGray که همگی از دیتاست های معروف در پردازش تصویر می باشند.

در این جلسه مهم ترین مطالبی که ذکر خواهند شد به شرح زیر می باشند:

  1. اهمیت و کاربرد RBM
  2. ساختار شبکه RBM
  3. عملیات رو به جلو (forward)
  4. عملیات برگشتی (backward)
  5. آموزش RBM به صورت بدون ناظر
  6. آموزش RBM به صورت با ناظر
  7. مودل مولد و جداساز RBM
  8. اشاره ای به انواع مختلف RBM
  9. تکنیک DropOut
  10. پیاده سازی شبکه RBM در متلب (هم با ناظر و هم بدون ناظر

 

تذکر:

قسمت های قبلی این مجموعه آموزشی را می توانید از اینجا مشاهده نمایید.

یادآوری:

برای کتاب می توانید کتاب شبکه های عصبی و کنترل کننده های عصبی پیشرفته نوشته ی دکتر تشنه لب ، استاد دانشگاه صنعتی خواجه نصیر رو به زبان قارسی تهیه کتید. به دلیل حمایت از نویسنده لینک دانلودی برای این کتاب قرار داده نمی شود.

کتاب های انگلیسی به دلیل عدم امکان دسترسی به آن ها در ایران، لینک دانلودشان قرار داده می شود.

شما می توانید کتاب Intelligent Control Based On Flexible Neural Network دکتر تشنه لب را از اینجا و کتاب A Brief Introduction to Neural Networks ,David Kriesel را از اینجا دانلود کنید.