文件名称：dbnmatlab代码-Neural_Network:神经网络实现MATLAB（RBM，DBN，DNN）
文件大小：11.22MB
文件格式：ZIP
更新时间：2024-06-16 10:52:26
系统开源
dbn matlab代码神经网络 神经网络实施MATLAB（RBM，DBN，DNN） 在该项目中，从RBM结构实现了神经网络： 受限玻尔兹曼机（RBM）是一种生成型随机人工神经网络，可以学习其输入集上的概率分布。 然后，实现一个DBN： 在机器学习中，深度信念网络（DBN）是一个生成的图形模型，或者是一类深度神经网络，由多层潜在变量（“隐藏单元”）组成，各层之间存在连接，但内部各层之间没有连接每层。 最后，从前两个实现中实现了深度神经网络。 MNIST数据集用于测试DNN。 MATLAB代码从“脚本”生成CSV，这些脚本用于使用R绘制一些精美的图。 该代码分为3部分： 第1部分：RBM学习->从RBM（字母数字）生成图像； 第2部分：DBN学习->从DBN（字母数字）生成图像； 第3部分：DNN学习（预训练）->比较预训练DNN和随机初始化DNN的错误率。
【文件预览】：
Neural_Network-master
----TP_DNN()
--------tauxErr_pre_n=[100 300 500 700]_c=2_d=3000.csv(31B)
--------taux_erreur.m(80B)
--------tauxErrApp-12.csv(54B)
--------generer_image_DBN.m(276B)
--------tauxErrApp_pre1-1.csv(35B)
--------tauxErrApp-21.csv(50B)
--------Script4.m(2KB)
--------tauxErr_c=[2 3 4 5]_n=500_d=3000.csv(32B)
--------tauxErrApp_pre2-2.csv(36B)
--------tauxErr_c=[2 3 4 5]_n=200_d=3000.csv(31B)
--------tauxErr_n=[100 300 500 700]_c=2_d=3000.csv(32B)
--------tauxErr_d=[1000 3000 7000 10000 30000 60000]_n=200_c=2.csv(50B)
--------tauxErrApp_pre-21.csv(49B)
--------train_RBM.m(2KB)
--------Script5.m(2KB)
--------tauxErrApp2-1.csv(35B)
--------tauxErrApp_pre-22.csv(53B)
--------init_RBM.m(140B)
--------tauxErrApp22-.csv(36B)
--------tauxErrApp1-1.csv(34B)
--------init_DBN.m(139B)
--------tauxErrApp2-2.csv(30B)
--------generer_image_RBM.m(555B)
--------tauxErr_pre_c=[2 3 4 5]_n=500_d=10000.csv(34B)
--------tauxErr_pre_d=[1000 3000 7000 10000 30000 60000]_n=200_c=4.csv(50B)
--------tauxErrApp_pre1-2.csv(36B)
--------tauxErrApp_pre-11.csv(52B)
--------tauxErr_pre_c=[2 3 4 5]_n=200_d=10000.csv(31B)
--------Script6.m(2KB)
--------tauxErr_pre_d=[1000 3000 7000 10000 30000 60000]_n=500_c=4.csv(49B)
--------tauxErr_pre_d=[1000 3000 7000 10000 30000 60000]_n=500_c=2.csv(49B)
--------tauxErrApp_pre-12.csv(53B)
--------cut_it.m(179B)
--------sigmoid.m(76B)
--------train-labels-idx1-ubyte(59KB)
--------tauxErr_n=[100 300 500 700]_c=4_d=10000.csv(31B)
--------Script2.m(468B)
--------Script1.m(428B)
--------tauxErr_pre_c=[2 3 4 5]_n=200_d=3000.csv(32B)
--------test_DNN.m(257B)
--------calcul_softmax.m(128B)
--------tauxErr_d=[1000 3000 7000 10000 30000 60000]_n=200_c=4.csv(50B)
--------tauxErr_pre_n=[100 300 500 700]_c=2_d=10000.csv(31B)
--------tauxErr_pre_n=[100 300 500 700]_c=4_d=3000.csv(27B)
--------entree_sortie_reseau.m(235B)
--------tauxErr_n=[100 300 500 700]_c=2_d=10000.csv(32B)
--------retropropagation.m(2KB)
--------train-images-idx3-ubyte(44.86MB)
--------README.md(17B)
--------tauxErr_pre_n=[100 300 500 700]_c=4_d=10000.csv(33B)
--------tauxErrApp_pre11-.csv(36B)
--------tauxErrApp1-2.csv(33B)
--------tauxErrApp-22.csv(45B)
--------tauxErr_c=[2 3 4 5]_n=200_d=10000.csv(32B)
--------train_DBN.m(234B)
--------tauxErrApp_pre2-1.csv(36B)
--------tauxErrApp_pre12-.csv(35B)
--------mnistread.m(2KB)
--------lire_alpha_digit.m(327B)
--------t10k-labels-idx1-ubyte(10KB)
--------tauxErrApp_pre22-.csv(34B)
--------Script3.m(1KB)
--------sortie_entree_RBM.m(114B)
--------tauxErr_c=[2 3 4 5]_n=500_d=10000.csv(32B)
--------entree_sortie_RBM.m(111B)
--------tauxErr_pre_d=[1000 3000 7000 10000 30000 60000]_n=200_c=2.csv(49B)
--------tauxErrApp21-.csv(35B)
--------tauxErrApp_pre21-.csv(33B)
--------tauxErr_d=[1000 3000 7000 10000 30000 60000]_n=500_c=4.csv(48B)
--------tauxErrApp-11.csv(52B)
--------tauxErr_n=[100 300 500 700]_c=4_d=3000.csv(31B)
--------tauxErrApp11-.csv(32B)
--------tauxErr_pre_c=[2 3 4 5]_n=500_d=3000.csv(32B)
--------tauxErr_d=[1000 3000 7000 10000 30000 60000]_n=500_c=2.csv(50B)
--------tauxErrApp12-.csv(36B)
--------t10k-images-idx3-ubyte(7.48MB)
----Summary.pdf(291KB)
----README.md(1KB)
----.gitattributes(65B)