导读
这篇工作是 2000 年代深度学习复兴的重要节点之一。它帮助重新确立多层表示学习的研究势头，为几年后的大规模视觉深度学习创造条件。
查看大图 ↗Hinton、Osindero 与 Teh 2006 年深度信念网络论文的图 1，取自 PDF 第 2 页，含数字输入与网络层次。
Geoffrey E. Hinton; Simon Osindero; Yee-Whye Teh · 原始图像与文献权利归各自权利人
资料出处 · A Fast Learning Algorithm for Deep Belief Nets ↗档案研究说明
逐层学习为深层生成模型提供初始化。
ANTI-AI ARCHIVE · 修订 2026-10-02
研究方法与具体变化
Hinton、Osindero与Teh提出逐层训练深度信念网络，再用较慢的程序微调权重。论文以手写数字与标签的联合分布为例，连接生成和分类。上层关联记忆与下层有向连接承担不同作用，不能把该网络简单等同于后来所有深度学习架构。
本节依据: 深度信念网络的快速学习算法：资料依据
在艺术史中的位置
它在本谱系中解释的是深层表示怎样变得可训练，而不是某件艺术作品如何诞生。与后来的图像合成比较，应关注表示、训练与输出的实际差异，避免把技术史写成必然通向文生图的单线进步。
本节依据: 深度信念网络的快速学习算法：资料依据
正文引用资料
核读作者公开论文的摘要、引言与网络结构说明。
本篇按引用范围扩写档案说明；研究解释不应被理解为原作者的自述或已证实的因果影响。 正文与译文使用 AI 辅助，尚未经独立人工审校；分节引文标明依据，不代表已独立验证全部史实。
带着问题继续阅读
比较本条与通过误差反向传播学习表征之间的制作方法、控制方式或展示语境。
比较本条与AlexNet：深度卷积图像分类之间的制作方法、控制方式或展示语境。
日期与版本记录
节点标注日期：2006 · 来源记录的历史日期：2006
以上日期属于历史事件或资料所记版本，不是本站页面的上线日期；保留原有日期精度与待核事项。
原始资料与进一步阅读
以下链接通往来源的论文、文章、机构或会议页面。外部原文的语言以来源为准。
A Fast Learning Algorithm for Deep Belief Nets
https://doi.org/10.1162/neco.2006.18.7.1527
当前引用地址
出处、翻译与核验状态
主线节点 #073 · 历史节点
研究资料与补充出处 · 1
AI 艺术谱系研究母版 · p. 14 · 039
原记日期: 2006
深度信念网络的快速学习算法 ↗
A Fast Learning Algorithm for Deep Belief Nets
站内说明依据所列研究资料撰写，非外链全文译本；AI 辅助翻译，待独立人工审校。
母版研究论述与日期尚待独立核验。
引用本节点
ANTI-AI ARCHIVE. 深度信念网络的快速学习算法. 艺术史节点 #073. https://salondesrefuses.cn/zh/art-history/039
引用具体史实时，请同时引用上方原始资料，并补充你的访问日期。本站说明不是外链全文译本。
相邻节点按时间顺序排列，不意味着二者存在直接影响或因果关系。