受限波尔兹曼机

深度神经网路已经在语音识别，图像识别等领域取得前所未有的成功。本人在多年之前也曾接触过神经网络。本系列文章主要记录自己对深度神经网络的一些学习心得。

第三篇，谈谈自己对最近几年颇为流行的受限波尔兹曼网络RBM的理解。我不打算详细描述其生物学运行机理和相关的算法推导过程，因为网络上已经有太多的教程可以参考。

1.  概述

       前面描述的神经网络模型是一种确定的结构。而波尔兹曼网络是一种随机网络。如何来描述一个随机网络呢？很多书上有大量的篇幅介绍其原理。这里把它总结为以下两点。

     

        第一，概率分布函数。由于网络节点的取值状态是随机的，从贝叶斯网的观点来看，要描述整个网络，需要用三种概率分布来描述系统。即联合概率分布，边缘概率分布和条件概率分布。要搞清楚这三种不同的概率分布,是理解随机网络的关键,这里向大家推荐的书籍是张连文所著的《贝叶斯网引论》。很多文献上说受限波尔兹曼是一个无向图，这一点也有失偏颇。从贝叶斯网的观点看，受限波尔兹曼网应该是一个双向的有向图。即从输入层节点可以计算隐层节点取某一种状态值的概率，反之亦然.

        第二，能量函数。随机神经网络是根植于统计力学的。受统计力学中能量泛函的启发，引入了能量函数。能量函数是描述整个系统状态的一种测度。系统越有序或者概率分布越集中，系统的能量越小。反之，系统越无序或者概率分布越趋于均匀分布，则系统的能量越大。能量函数的最小值，对应于系统的最稳定状态。

2. 网络结构和学习算法

    2.1  RBM网络结构如下：

                        

     正如前面我们提到的，描述RBM的方法是能量函数和概率分布函数。实际上，把它们二者结合起来，也就是概率分布是能量函数的泛函，其能量泛函和联合概率分布如下：

                         

                             

其中，上式中的Z是归一化系数，它的定义如下:

                                           

而输入层的边缘概率，是我们感兴趣的，它的计算如下：

                                        

因为，网络学习的目的是最大可能的拟合输入数据。根据极大似然学习法则，我们的目的就是对所以的输入，极大化上面的公式(4)，公式4在统计学里也称作似然函数，更多的我们对其取对数，也就是对数似然函数，考虑所有的输入样本，其极大化对数似然函数的定义如下：

                                 (5)

             注意，上面的公式中，多了个theta。theta就是网络的权值，包括公式(1)中的w,a,b,是网络学习需要优化的参数。其实在上面所有的公式中都有theta这个变量，只是为了便于描述问题，我把它们都给抹掉了。

 2.2  对比度散度学习算法

         根据公式5，逐步展开，运用梯度下降策略，可以推导出网络权值的更新策略如下：

                                   

          其中，第一项，是给定样本数据的期望，第二项是模型本身的期望。数据的期望，很容易计算，而模型的期望不能直接得到。一种典型的方法是通过吉布斯采样得到，而Hinton提出了一种快速算法，称作contrastive divergence算法。这种算法只需迭代k次，就可以获得对模型的估计，而通常k等于1. CD算法在开始是用训练数据去初始化可见层，然后用条件分布计算隐层；然后，再根据隐层，同样，用条件分布来计算可见层。这样产生的结果是对输入的一个重构。CD算法将上述公式6表示为：

                    

                                                            (7)

具体算法流程可以看参考西安交大 张春霞等人的论文。

        另外，网络上很多讲波尔兹曼机的文献都提到了模拟退火算法，但是在受限玻尔兹曼机里面却木有提到。个人认为是网络能量函数的定义里面对退火温度默认为1了。如果这个温度不是1，则应该在能量函数里面加上当前迭代的退火温度T，这时候，网络参数的学习率将会是一个逐步衰减的过程。Persistent Contrastivedivergence算法的迭代过程学习率是一个逐步衰减的过程，可以认为是考虑了退火过程的算法。

       

转载于:https://www.cnblogs.com/celerychen/archive/2013/05/28/3588202.html