基于多层RBM模型，实现二分类学习算法，目前针对该问题是采用2层RBM,特征输入只有8维，效果并不理想。
功能框架：
DBN.py：深度学习主框架，包括数据输入、输入sigmoid转换，RBM层堆叠，softmax层输出。
RBM.py：RBM层框架，包括gibss采样、交叉熵误差验证
dA.py:这个是降噪自动编码器，目前还在研究
SdA.py:，堆叠降噪自动编码器，目前仍在研究
HiddenLayer.py:隐层主要是权值计算与更新
util.py：这主要是最后的softmax函数计算及输出
normal_8.py：输入数据归一化到[0,1]
train.txt:训练数据
text.txt:测试数据
基于复杂语言网络的文本分类：
这里面主要包括两部分，一部分是语言网络的生成，另一部分是语言网络的特征抽取。
第一部分采用的数据是twenty-news-group，根据词语序列生成语言网络。
另一部分是特征抽取，由于课题没有结题，所以这里只展示了提取了结点度特征，并采用SVM作为训练器，
最终效果和采用普通的词袋模型相当。所以需要抽取语义特征加上深度模型训练。深度模型训练目前
已经有几个模型结果，效果有大幅提升，目前还在继续优化中。
后续工作：
后续需要研究的是在特征多而稀疏时，利用dA模型来进行训练，然后与RBM模型对比。
参考资料： https://github.com/lisa-lab/DeepLearningTutorials
Y. Bengio, P. Lamblin, D. Popovici, H. Larochelle: Greedy Layer-Wise Training of Deep Networks, Advances in Neural Information Processing Systems 19, 2007