限制玻尔兹曼机(Restricted Boltzmann Machine)RBM
假设有一个二部图,每一层的节点之间没有连接,一层是可视层,即输入数据是(v),一层是隐藏层(h),如果假设所有的节点都是随机二值变量节点(只能取0或者1值)同时假设全概率分布满足Boltzmann 分布,我们称这个模型是Restricted BoltzmannMachine (RBM)。 首先,这个模型因为是 二部图 , 所以在已知v的情况下,所有的隐藏节点之间是条件独立的(因为节点之间不存在连接) ,即p(h|v)=p(h 1 |v)…p(h n |v)。 同理,在已知隐藏层h的情况下,所有的可视节点都是条件独立的。 同时又由于所有的v和h满足 Boltzmann 分布 ,因此,当输入v的时候,通过p(h|v) 可以得到隐藏层h,而得到隐藏层h之后,通过p(v|h)又能得到可视层,通过调整参数, 我们就是要使得从隐藏层得到的可视层v1与原来的可视层v如果一样,那么得到的隐藏层就是可视层另外一种 表达 ,因此 隐藏层可以作为可视层输入数据的特征 ,所以它就是一种Deep Learning方法。 如何训练呢,也就是可视层节点和隐节点间的权值怎么确定呢?我们需要做一些数学分析。也就是模型了。 联合组态(jiont configuration)的能量可以表示为: 而 某个组态的联合概率分布 可以通过Boltzmann 分布(和这个组态的能量)来确定: partition function