翻译自网页:http://www.scholarpedia.org/article/Boltzmann_machine
玻尔兹曼机(Boltzmann machine)是一个对称、全连接的神经网络,它的神经元通过随机的决策来确定自己的开关状态。玻尔兹曼机有一个简单的学习算法 (Hinton & Sejnowski, 1983) ,能够发现训练数据中的有趣特征,这些特征又能够表达出训练数据的复杂规律。在多层神经网络运行这个算法是很慢的,但是在单层的限制玻尔兹曼机(restricted Boltzmann machines)上运行这个算法是比较快的。多隐层的网络可以通过将限制玻尔兹曼机(restricted Boltzmann machines)进行组合来提高效率,每层提取的特征将作为下一层的训练数据。
玻尔兹曼机可以用来解决两类完全不同的计算问题(搜索问题和学习问题)。对于一个搜索问题,通过使用固定的连接权值来表达一个成本函数。玻尔兹曼机的随机动力学特性允许其采样出具有低成本函数值的二进制状态向量。
对于一个学习问题,给定一组二进制数据向量,玻尔兹曼机必须学习以较高概率来生成这些向量。要做到这一点,它必须找到对连接权值,使得相对于其他可能的二元载体,该数据载体具有成本函数的值低。为了解决学习问题,玻尔兹曼机使很多小的更新权重,每个更新需要他们来解决很多不同的搜索问题。