受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)
2013-12-11 21:45
232 查看
受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)
最近,看了几篇关于RBM的论文,有关RBM的理论公式真心很难理解,尤其是一些涉及概率论的公式推导,但是RBM的具体原理其实还是很简单的。目前本人还在学习中,先简单总结一下自己的理解:
RBM产生的背景:
玻尔兹曼机是Hinton在1986年提出的一种根植于统计力学的随机神经网络,这种网络中的神经元是随机神经元,神经元的输出只有两种状态:未激活、激活,一般用二进制的0和1表示,状态的取值根据概率统计法则决定。
BM具有强大的无监督学习能力,能够学习数据中复杂的规则。但是,拥有这种学习能力的代价是其训练(学习)时间非常长。此外,不仅无法确切地计算BM所表示的分布,甚至得到服从BM所表示分布的随机样本也很困难。为了克服这些困难,RBM正式诞生。RBM的结构很类似二分网络,层内无连接,层间全连接。
RBM基本理论:
间的链接权重,
学习RBM的任务就是求参数的值,以拟合给定的训练数据。传统做法通过最大似然概率来求参数,但是由于归一化因子
的存在,该分布很难求。
为了解决这个问题,2002年Hinton提出了RBM的一个快速算法,即对比散度(CD)。
最近,看了几篇关于RBM的论文,有关RBM的理论公式真心很难理解,尤其是一些涉及概率论的公式推导,但是RBM的具体原理其实还是很简单的。目前本人还在学习中,先简单总结一下自己的理解:
RBM产生的背景:
玻尔兹曼机是Hinton在1986年提出的一种根植于统计力学的随机神经网络,这种网络中的神经元是随机神经元,神经元的输出只有两种状态:未激活、激活,一般用二进制的0和1表示,状态的取值根据概率统计法则决定。
BM具有强大的无监督学习能力,能够学习数据中复杂的规则。但是,拥有这种学习能力的代价是其训练(学习)时间非常长。此外,不仅无法确切地计算BM所表示的分布,甚至得到服从BM所表示分布的随机样本也很困难。为了克服这些困难,RBM正式诞生。RBM的结构很类似二分网络,层内无连接,层间全连接。
RBM基本理论:
间的链接权重,
学习RBM的任务就是求参数的值,以拟合给定的训练数据。传统做法通过最大似然概率来求参数,但是由于归一化因子
的存在,该分布很难求。
为了解决这个问题,2002年Hinton提出了RBM的一个快速算法,即对比散度(CD)。
相关文章推荐
- Yusuke Sugomori 的 C 语言 Deep Learning 程序解读
- Introduction to Restricted Boltzmann Machines
- 深度学习:CD算法学习笔记
- 深度学习:RBM理论与C++实战
- GitHub深度神经网络DBNs有关输入矩阵,标签矩阵,相关参数设置疑问,求指点!!!!!
- 受限玻尔兹曼机RBM最通俗易懂的教程
- 深度学习读书笔记之RBM(限制波尔兹曼机)
- 受限波尔兹曼(Boltzmann)机简介
- RBM(受限玻尔兹曼机)解析
- RBM算法模型应用在推荐系统 Python代码实现
- DBN---RBM简介
- RBM介绍
- 训练局限玻尔斯曼机(Training Restricted Boltzmann Machines)----第一讲 介绍
- 训练局限玻尔斯曼机(Training Restricted Boltzmann Machines)
- Training a deep autoencoder or a classifier on MNIST digits_Rbm训练(Matlab)
- Restricted Boltzmann Machines (RBM)
- Stacking Autoencoders vs DBN
- 用MFC编写opencv界面(打开图片)
- 交通管理系统----面向对象的分析与设计:
- VI编辑器常用快捷键