A Tutorial on Energy-Based Learning(机器学习能量模型)学习记录

本文详细介绍了能量为基础的机器学习模型,探讨了如何通过能量函数进行预测、排名、检测和条件概率密度估计。文章阐述了Gibbs分布如何用于计算给定输入下不同标签取值的概率,并讨论了能量模型的训练过程,包括损失函数和优化策略。此外,还提及了简单的架构和涉及潜在变量的模型应用。
摘要由CSDN通过智能技术生成

1,Introduction

其中Y是标签,X是输入。基于能量的机器学习模型即是寻找这样一个函数,和输入数据越接近,能量越小。给定一个输入,最好的模型即是对应的Y的值是真实值,这个真实值的能量是最小的。

此模型可以做的工作有:预测、Ranking、Detection、条件概率密度估计。

上图是Gibbs 分布,用这个函数可以进一步的将能量函数,转换为给定X情况下Y的不同取值的概率的计算公式。因此,一般基于能量的算法,一般是先利用训练数据,计算出能量函数中的未知参数,使能量函数在训练数据时的能量最小,然后利用得到的能量函数,gibbs分布函数来得到概率模型。

2,Energy-Based Training: Architecture and LossFunction

训练模型即是在一个函数族内找到一个最优的能量函数,这个函数族的参数是W

通过最小化代价函数来找到最优的解

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值