[1] Cuando se está entrenando un algoritmo DBN con un conjunto de ejemplos como entrada de forma no supervisada, una DBN puede aprender a reconstruir probabilísticamente estas entradas.Así, las capas actúan como detectores de características en dicha entrada.[1][3] Esto también permite que la etapa de entrenamiento no supervisado sea realmente eficiente.Yee-Whye Teh, estudiante de Geoffrey Hinton, observó que una DBN puede ser entrenada con una estrategia voraz, capa a capa.Esto ha sido reconocido también como un logro en aprendizaje profundo.
Visión general esquemática de una red de creencia profunda. Las flechas representan el sentido de las conexiones en el
modelo gráfico
que la red representa.
