ML_12 Sum-Produkt Networks 和积网络

最新推荐文章于 2021-09-08 23:38:38 发布
最新推荐文章于 2021-09-08 23:38:38 发布
阅读量848 收藏 3
点赞数 1
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/w317672256/article/details/97622276
版权
本文深入探讨概率模型在人工智能中的应用，特别是Sum-ProduktNetz（SPN）的概念，包括其定义、特性及如何进行高效计算。文章对比了SPN与Bayes网络的区别，阐述了SPN在网络多项式基础上的复杂分布编码方式，以及如何通过前向和后向传播进行概率推理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

他的特别指出：目标是概率的建模：
概率分布完整表达
边缘概率和模型更有效率的计算
边缘效率和模型更有效率的学习
对概率模型的要求：
更有效率的推理
理解性更强
->现在他只能有一定条件的满足
概率模型的种类
在这里插入图片描述
bayessches Netz
一定的相关性
推导NP（非确定性算法，需要把问题分解成猜测和验证两部分，同时多项式时间可以解决所以加了一个C）
Markov Netz是相关性
Sum-Produkt Netz他是计算的图标，是靠推断P（判断是否有一种能够解决某一类问题的能行算法的研究课题）

Definition

SPN是有向图有
不相关的概率分布变量像叶子一样，
和和积作为内部的节点
还有比重图
例子：
在这里插入图片描述
他们共同的概率就是三个变量的布尔变量
但是在bayesschen Netzwerk里他是时告诉影响关系，但是在SPN里他还会可以被计算

Netzwerkpolynom

SPN一他以网络多项式为基础
已知布尔随机变量Xi，他有两种状态

最低0.47元/天 解锁文章
全连接网络和卷积网络实践
smilejiasmile的博客
06-24 1028
全连接网络和卷积网络实践 一、全连接网络实践 1.1 基于 MNist 数据集的认识、优化、生成数据集、到实现特定场景应用。 1.1.1 mnist 数据集及需求模型要求 mnist 数据集：包含 7 万张黑底白字手写数字图片，其中 55000 张为训练集，5000 张为验证集，10000 张为测试集。每张图片大小为 28*28 像素，图片中纯黑色像素值为 0，纯白色像素值...
全卷积网络FCN进行图像分割
10-22 9209
背景CNN能够对图片进行分类，可是怎么样才能识别图片中特定部分的物体，在2015年之前还是一个世界难题。神经网络大神Jonathan Long发表了《Fully Convolutional Networks for Semantic Segmentation》在图像语义分割挖了一个坑，于是无穷无尽的人往坑里面跳。全卷积网络 Fully Convolutional NetworksCNN 与 FCN通
文献阅读 - Sum-Product Networks: A New Deep Architecture
Always On The Way
12-23 1295
Sum-Product Networks: A New Deep Architecture H. Poon, P. Domingos, Sum-Product Networks: A New Deep Architecture, ICCV (2011), Best Paper 摘要 图模型（graphical model）推理（inference）和学习（learning）的主要制约因素（ke...
深度学习基础--不同网络种类--和-积网络(sum—product network)
wydbyxr的博客
11-09 3525
和–积网络(sum—product network)   这种模型是基于和积运算的。   深度学习最主要的困难是配分函数的学习，如何选择深度结构神经网络的结构使得配分函数更容易计算。就此，Poon等人提出一种新的深度模型结构----和–积网络(sum—product network，SPN)，引入多层隐单元表示配分函数，使得配分函数更容易计算。 网络结构   SPN是有根节点的有向无环图，图中的叶...
【笔记】基于轻量和积网络及无人机遥感图像的大豆田杂草识别
YaoYee_21的博客
11-03 987
该文改进传统和积网络的学习过程，提出一种以小批量数据作为输入的轻量和积网络。在结构学习中，当积节点作用域内的变量个数小于一定阈值时，合并积节点为多元叶节点，否则将积节点重组为和积混合结构，并对边缘节点进行裁剪，有效降低了模型的参数量和复杂度。在参数学习中，提出贝叶斯矩匹配更新网络参数，使得模型对小样本的学习效率更高。最后结合 K 均值聚类算法应用于无人机图像中的杂草识别。
c语言实现多项式的求和与乘积
weixin_45149736的博客
11-05 4637
c语言实现多项式的求和与乘积 由于一些时间原因和个人英语水平有限，在这个代码里面并没有做申请空间是否成功的判断和启明有些LOW,不要介意，而且输入的多项式只能是指数非递增的，嘻嘻，直接进入正题： 本程序用的是C语言链表实现的多项式的求和与乘积计算。 结构体： typedef struct Node { int zs; int xs; struct Node* next; }...
卷积神经网络和深度神经网络的区别是什么？
weixin_38278993的博客
11-28 2万+
作者：飘哥 链接：https://www.zhihu.com/question/29366638/answer/864113705 DNN是指深度神经网络，它是一个很广的概念，某种意义上CNN、RNN、GAN等都属于其范畴之内。DNN与CNN（卷积神经网络）的区别是DNN特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。DNN是指包含多个隐层的神经网络，根据神经元的特点，可以分为ML...
（阅读）Deep Learning for Anomaly Detection: A Survey
aiyouyou_的博客
09-08 5017
参考 阅读一 阅读二 笔记 摘要 论文首先对基于深度学习的异常检测的研究方法进行了系统全面的概述。此外，还回顾了这些方法在不同应用领域中的应用，并评估了它们的有效性。 根据基本的假设和采用的方法，将最先进的深度异常检测研究技术分为不同的类别。在每个类别中，作者概述了基本的异常检测技术及其变体，并提出了区分正常和异常行为的关键假设。 对于每个类别，论文也提出了优点和限制，并讨论了在实际应用领域的技术的计算复杂度。最后，概述了在应用深度异常检测技术解决实际问题时，研究中存在的问题和面临的挑战。
SPN：通过空间传播网络学习关联
sinoai
01-07 1556
原文 摘要 本文提出通过空间传播网络学习关联矩阵用于视觉任务。 1引言 关联矩阵就是一个一般的矩阵，可以描述空间中两个点有多么近或者多么相似。在计算机视觉任务中，它是一个带权图，每个像素是一个结点，每两个像素间有一条边，参见论文1、论文2、论文3、论文4、论文5。权重应该针对不同的任务反映像素对间的相似性。比如对于图像滤波这样的低级任务，关联值应该反映颜色和纹理的低级相关性。中高级任务，如...
DEEP LEARNING FOR ANOMALY DETECTION: A SURVEY(翻译)
weixin_50556981的博客
01-05 3439
异常检测的深度学习研究综述 原文： arXiv:1901.03407 摘要 异常检测是一个重要的问题，在不同的研究领域和应用领域都得到了很好的研究。本文的研究目的有两个：首先，我们对基于深度学习的异常检测的研究方法进行了系统而全面的综述。此外，我们回顾了这些方法在不同应用领域中的应用，并评估了它们的有效性。我们根据所采用的基本假设和方法，将最先进的深度异常检测研究技术分为不同的类别。在每个类别中，我们概述了基本的异常检测技术及其变体，并提出了关键假设，以区分正常和异常行为。此外，对于每一个类别，我们也提出了
SPN:代换置换网络简述
I Hsien's BLOG
05-13 7458
基本技术:代换和置换 迭代密码方案 安全需求: 混乱性:密钥和明文密文间有复杂的依赖 扩散:单个密钥或明文的变化影响到更多的密文 迭代密码 使用密钥扩展算法将输入的一个密钥扩展为多个子密钥(Subkey) 每轮使用一个子密钥进行加密 上一轮的输入作为下一轮的输出,也就是自身迭代 代换置换网络 代换-置换网络是一系列被应用于分组密码中相关的数学运算，高级加密标准（英语：AES）、3...
卷积神经网络特征图可视化（自定义网络和VGG网络）
牧野的博客
07-27 7万+
  借助Keras和Opencv实现的神经网络中间层特征图的可视化功能，方便我们研究CNN这个黑盒子里到发生了什么。   自定义网络特征可视化   代码： # coding: utf-8 from keras.models import Model import cv2 import matplotlib.pyplot as plt from keras.models import...
卷积网络过程解析
weixin_46297209的博客
03-10 2128
卷积网络过程详解 一：卷积(Convolutional) ​ 实际项目中，输入神经网络的是具有更高分辨率的彩色图片，使得送入全连接网络的输入特征数过多，随着隐藏层层数的增加，网络规模过大，待优化参数过多，很容易使模型过拟合。为了减少待训练参数，我们再实际应用时，会先对原始图片进行特征提取，把提取来的特征送给全连接网络，让全连接网络输出识别结果。 ​ 卷积计算可认为是一种有效提取图像特征的方法。一般会用一个正方形的卷积核，按指定步长，在输入特征图上滑动，遍历输入特征图中的每个像素点。每一个步长，卷积核会与输入
吴恩达deeplearning之CNN—卷积神经网络入门
热门推荐
ice_actor的博客
11-28 16万+
1.边界检测示例假如你有一张如下的图像，你想让计算机搞清楚图像上有什么物体，你可以做的事情是检测图像的垂直边缘和水平边缘。 如下是一个6*6的灰度图像，构造一个3*3的矩阵，在卷积神经网络中通常称之为filter，对这个6*6的图像进行卷积运算，以左上角的-5计算为例 3∗1+0∗0+1∗−1+1∗1+5∗0+8∗−1+2∗1+7∗0+2∗−1=−53*1+0*0+1*-1+1*1+5*0+
【转载】技术向：一文读懂卷积神经网络
xceman1997的专栏
05-10 3730
原文地址：http://toutiao.com/a4033463198/?tt_from=sina&app=news_article&iid=2585754491&utm_medium=toutiao_android&utm_campain=client_share&utm_source=sinaweibo 自今年七月份以来，一直在实验室负责卷积神经网络（Convolutiona
综艺搞笑音效-科幻&高科技-音效素材.zip
最新发布
06-04
综艺搞笑音效-科幻&高科技-音效素材.zip
ERP工单流程操作说明.ppt
06-04
ERP工单流程操作说明.ppt
物品动作-金属物品-音效素材.zip
06-04
物品动作-金属物品-音效素材.zip
音效音频素材-拟声-生活音效-鼠标.zip
06-04
音效音频素材-拟声-生活音效-鼠标.zip
React网络应用程序开发与部署教程
"Produkt Labels"在这里可能是指产品标签，意味着这个应用通过某种方式生成和打印产品标签的pdf。 描述："这是一个简单的React网络应用程序，可使用Produkt Labels为我们的CSA农场快速生成pdf。 要进行设置，您需要...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值