学习资料
https://blog.csdn.net/sinat_16211087/article/details/80835159
https://baijiahao.baidu.com/s?id=1599798281463567369&wfr=spider&for=pc
一个玻尔兹曼机可以表示为带权重的无向图,它的节点只产生二元结果(0或1)
由上图可以看出BM的结构为层间和层内全连接。BM的能量形式与Hopfield的网络的形式相同
无连接约束的玻尔兹曼机被证明在机器学习实际问题中效果不佳,但是如果节点的连接受到限制,而隐含节点两两之间以及可见节点两两之间不存在连接,也就是层间全连接,层内无连接。
RBM可以表示成一个二分图模型,所有可见层节点和隐藏层节点都有两种状态:处于激活状态时值为1,违背激活状态值为0.处于激活状态的节点被使用,未处于激活状态的节点未被使用。节点的激活概率由可见层和隐藏层节点的分布函数计算。
要想确定一个首先玻尔兹曼模型,只需要确定可见层和隐藏层的激活单元,以及权重矩阵。当我们假设可见层单元和隐藏层单元均服从伯努利分布,可以写出RBM的能量公式,根据该能量公式可以得到(v,h)联合概率分布。
得到概率分布后可以通过似然来估计我们的参数,但是这是理想状态,在推导的结果中发现并不能直接求导,所以有些人提出了一些采样的方法,来解决概率问题,比如Gibbs采样法
了解到这里,我觉得我该再好好看看马尔科夫链以及Gibbs采样和MCMC采样
需要注意的是,一个深度置信网络就是若干RBM网络的堆叠