贝叶斯方法可以用于学习神经网络权重的概率分布。将神经网络中的wi 和 b 由确定的值变成分布(distributions)。具体而言,为弥补反向传播的不足,通过在模型参数或模型输出上放置概率分布来估计。在权重上放置一个先验分布,然后尝试捕获这些权重在给定数据的情况下变化多少来模拟认知不确定性。该方法不是训练单个网络,而是训练网络集合,其中每个网络的权重来自共享的、已学习的概率分布。
贝叶斯深度学习:桥接PyMC3和Lasagne构建层次神经网络
量化投资与机器学习
3+阅读 · 2017年8月5日
【深度】让DL可解释?这一份66页贝叶斯深度学习教程告诉你
GAN生成式对抗网络
15+阅读 · 2018年8月11日
变分贝叶斯深度学习综述
PaperWeekly
6+阅读 · 2022年3月21日
技术讲解概率机器学习——深度学习革命之后 AI 道路
深度学习世界
0+阅读 · 2018年8月13日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
参考链接
微信扫码咨询专知VIP会员