| dc.contributor.author | Краснопрошин, Виктор Владимирович | |
| dc.contributor.author | Мацкевич, Вадим Владимирович | |
| dc.coverage.spatial | Брест | ru_RU |
| dc.date.accessioned | 2020-04-17T07:08:13Z | |
| dc.date.available | 2020-04-17T07:08:13Z | |
| dc.date.issued | 2019 | |
| dc.identifier.citation | Краснопрошин, В. В. Обучение глубоких доверительных сетей на основе метода отжига / В. В. Краснопрошин, В. В. Мацкевич // Вестник Брестского государственного технического университета. Серия: Физика, математика, информатика. – 2019. – № 5. – С. 5–9 : ил. – Библиогр.: с. 9 (17 назв.). | ru_RU |
| dc.identifier.uri | https://rep.bstu.by/handle/data/4951 | |
| dc.description | KRASNOPROSHIN V. V., MATSKEVICH V. V. Annealing method in training deep belief networks | ru_RU |
| dc.description.abstract | В работе рассмотрена проблема организации эффективного обучения глубоких доверительных сетей. Предложен один из возможных
подходов к решению проблемы на основе метода отжига с использованием технологии распараллеливания данных. Эффективность подхода демонстрируется на примере решения задачи сжатия цветных
изображений с использованием ограниченной машины Больцмана.
Описанные в работе идеи могут оказаться полезными при обучении глубоких доверительных сетей на кластерных вычислителях. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БрГТУ | ru_RU |
| dc.subject | прикладные системы искусственного интеллекта | ru_RU |
| dc.subject | интеллектуальные системы | ru_RU |
| dc.subject | artificial intelligence applications | ru_RU |
| dc.subject | intelligent systems | ru_RU |
| dc.title | Обучение глубоких доверительных сетей на основе метода отжига | ru_RU |
| dc.type | Статья (Article) | ru_RU |
| dc.identifier.udc | 004.89 | ru_RU |
| dc.abstract.alternative | The paper deals with the problem of organizing efficient deep belief networks training. A possible approach to solving the problem based on
annealing method using the data parallelization technology is proposed. The effectiveness of the approach is demonstrated by the example of solving
the problem of compressing color images using a restricted Boltzmann machine.
The ideas described in the paper may be useful in training deep belief networks on clusters. | ru_RU |
