关于RBM的一点笔记

来自贴吧click4i：

你有些20维的数据想用五个维度来表示，这就是降维。这五个维度可能跟原来的20个维度完全不一样，而是用另一种类型的坐标系统。不同的算法（如PCA, RBM,等）等于是给你不同的途径去找新的理想坐标系统。这些新的坐标系统也就是所谓的“特征"。

这样去看的话，隐藏层有五个神经元就代表你新坐标系统的五个维度。所以只要你的隐藏层的神经元数目比可见层少的话原则上就是降维。如何透过学习资料找到最优坐标系统则是另外一回子事。

DL的逐层预训练效果很好因而突破了以前的困境，可是却没人能清楚的解释为什么效果会这么好。即使是大佬们也只能模模糊糊的用些抽象语言去解释。无法导数学公式来证明这些效应想必对大佬们是很痛苦的事。

RBM autoencoder 如果不用激活函数(或是线性激活函数）的话原则上和PCA等价，不过得到的结果不一定一样。Autoencoder 如果用上非线性激活函数的话则能够解决非线性的问题，这不是标准PCA可以办得到的。也有人把autoencoder称为非线性PCA。

图片来自于：http://deeplearning.net/tutorial/rbm.html

我的理解是，比如1应该可以还原成1，2可以还原成2，……，9可以还原成9，0可以还原成0。但是真正运行的时候，发现最终的结果（上图），基本很多还原得到的结果都是错的。比如1成了6，7成了9，0成了8，3成了8之类的。所以让我有点质疑，RBM的实用性究竟如何？