1. 背景介绍
深度信念网络(Deep Belief Network,DBN)作为一种概率生成模型,在深度学习的早期发展中扮演了至关重要的角色。它是由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)堆叠而成,通过逐层预训练的方式,有效地解决了深度神经网络训练过程中的梯度消失问题,为深度学习的兴起奠定了基础。理解 DBN 的理论基础,离不开对概率图模型的深入探讨。
1.1 概率图模型概述
概率图模型(Probabilistic Graphical Model,PGM)是一种用图来表示变量间概率依赖关系的模型。它将随机变量表示为图的节点,变量间的依赖关系则用图的边来表示。根据图是有向还是无向,可以将概率图模型分为两大类:
- 有向图模型(贝叶斯网络):用有向无环图表示变量间的因果关系。
- 无向图模型(马尔可夫随机场):用无向图表示变量间的相关关系。
概率图模型具有以下优势:
- 直观性:用图的形式表示变量间的依赖关系,更直观易懂。
- 可解释性