[Machine Learning] RBM Brief Introduction

这里简单概括一下RBM模型构建、求解以及评估的基本思路，希望能给想了解RBM模型的同学一点帮助。

Restricted Boltzmann Machine 是一个基于能量表示而定义的模型，其结构就是两层的神经网络，一个可见层V和一个隐层H，同一层之间的单元不存在连接，层之间全连接。

根据RBM的网络结构，可以定义系统的能量函数，我们称为E。在物理中，一个系统的能量越小，那么其稳定的概率越大。因此有了能量函数之后，就能定义该系统稳定的概率了，这里我们称为P，这个P是V和H的联合概率。

在模型的定义假设中，已知其中一层的状态，另外一层的状态是条件独立的。另外我们常用RBM中每个单元的取值是二元的，即非0及1。

那么通过上面的描述，RBM模型就构建完成。现在给定训练数据，我们需要用这个模型来拟合训练数据，并且求解这个模型中的参数。

在模型中，我们已经可以表示出可见层和隐层的联合概率分布了，那么边缘概率分布也能表示出来。边缘分布就可以用来表示样本的分布了，我们希望在这个RBM表示的边缘分布下，样本的似然函数最大，这就是我们的目标函数。

目标函数确定之后，求解参数就变成了一个优化问题了，最简单的优化方法就是梯度法咯。我们通过将目标函数对各参数进行求导，就能得到梯度了。但是求导之后发现，梯度中带有\sum_V的项，也就是相当于有对P(V)的期望项。这下糟了，如果说可见层有n个单元，那么V的状态为2^n种，显然这是不可枚举的。

于是你想到了使用MCMC的Gibbs方法进行采样来近似这个期望，但是在Gibbs中，需要进行多次的采样才能逼近真正的分布，这下复杂度又觉得略高了。既然我们RBM模型的最终目的是要拟合训练数据的分布，那么我们可不可以在Gibbs的一开始就从样本开始，也就是从样本分布开始采样，然后进过K步进行sampling，这样是不是能更快的收敛到目标分布呢？基于这个想法，Hinton就在2002年发明了 Contrastive Divergence 算法，这个算法通常在进行1次迭代的时候就能取得好的效果，因此RBM优化问题的复杂度就降下来了。

最后，我们如何评价RBM模型的好坏呢？比如说我们在分类问题中，需要使用正确率或者错误率来判断模型的优劣，那么我们如何判断RBM模型的优劣呢？你肯定会想，我们就用模型对训练数据的似然表示评价该模型呗，但是要知道通过能量函数到概率那一步，存在一个归一化因子，这个归一化因子要枚举计算是非常困难的。

因此我们考虑使用重构误差来评价模型，所谓重构误差就是样本根据RBM的分布，经过一次Gibbs采样得到的V'，我们计算V和V'之间的差异，这个差异可以是1范数也可以是2范数。

以上就是RBM模型整体思路的简单概括了，希望能给想了解RBM模型的初学者一点帮助。