导入
简介：教网络生成数字
了解本章将涵盖的主题概要。
在本章中，我们的第一个项目将复现深度学习历史上最具突破性的模型之一——深度置信网络（Deep Belief Network, DBN）。DBN 是最早提出的多层神经网络之一，其学习算法具有可行性。除了具有重要的历史意义外，该模型还与本课程的主题密切相关，因为其学习算法利用生成模型在反向传播之前对神经网络权重进行预训练，使其达到合理的初始化状态。
在本章中，我们将涵盖以下内容：
- 如何加载美国国家标准与技术研究院修改版数据集（MNIST），并使用 TensorFlow 2 的 Dataset API 对其进行变换处理。
- 如何通过最小化一个类似于物理学公式的“能量”函数，来训练受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）——一种简单的神经网络——以实现图像生成。
- 如何堆叠多个 RBM 构建深度置信网络（DBN），并通过前向和后向传播过程对该网络进行预训练，以生成图像数据。
- 如何结合上述预训练过程，使用 TensorFlow 2 API 进行反向传播的“微调”，从而实现一个端到端的分类器。