2006：无类别标签的逐层学习，怎样建立训练起点？

这里专看2006年的DBN路线：局部RBM先学习输入的统计结构，得到一层隐藏表示；固定已学部分后，用这个表示作为第二层的可见数据，再以这些参数为起点协调整体生成模型。训练并非没有目标，只是不依赖本课类别标签。它与后来对比学习、MAE共享“怎样从数据获得信号”的长期问题，方法并不相同。监督微调、深自编码器的重建也另有路线。同期还有把局部描述与分类器分段组织的办法，接着看它怎样工作。 历史定位：本页为Hinton等2006 DBN路线。与现代SSL共享学习信号问题，不把它们视作同一方法。 证据与制作说明：本页只讲Hinton等2006 DBN路线：局部RBM逐层训练，W1固定时h1作为第二层可见数据，随后整体生成式训练。单元数与矩阵值为结构示意。深自编码器的BP重建、监督分类微调是不同路线，留在专题，不混为同一个整体目标。