motivation:将大脑的记忆定义为联想行为,auto-completing功能
hopfield网络
中每个神经元都和其他神经元相互连接,且双向传递信息
所谓记忆,即对网络中的记住的神经元状态进行微扰后,神经元能够再次更新会原记忆状态。
hopfield网络是一个动态系统,每一个时刻随机选择一个神经元,并更新该神经元,直至神经元系统达到稳态,即所有神经元不再更新为止,神经元的更新方法如下,神经元只取值0/1
网络的权重对称,Wij=Wji,且Wkk=0,符合常识
可以证明,在动态系统不断迭代的过程中,网络的能量函数逐渐下降,直至稳定。
hopfiled网络的权重参数需要经过训练,训练的过程就是将记忆模式嵌入网络的过程,找到一个合适的权重使网络记住该模式(如图像),即perturb后能够自动复原
hopfield网络的串扰问题:当记忆模式过多时,不同模式互相干扰,网络就会混淆,无法还原出记忆内容,如下图
为了解决这一问题,玻尔兹曼机应运而生。
模拟退火算法:
1.附近邻居比当前点更好,则转移至附近邻居点
2.邻居比当前点差,也以概率转移过去(该概率取决于当前温度,冷却时为0)
boltzmann机:
boltzmann机将神经元划分为2类,可见单元和隐藏单元,可见单元受外部约束,即完成数据输入输出
boltzmann机本质上就是带有模拟退化算法的hopfield网络,让网络本身有一定概率跳出局部解
网络训练过程中也使用了模拟退化算法
网络权重训练的目标是最大化似然函数p(训练样本|θ),即让可见单元表现为训练样本的状态的概率最大
受限玻尔兹曼机:
将玻尔兹曼机分为可见层和隐含层,层内没有连接权重,只能层间双向传递信息。
且不再使用模拟退化算法,概率函数固定为sigmoid函数