《白话深度学习与Tensorflow》学习笔记（7）RBM限制玻尔兹曼机

川长思鸟来 2022-06-05 05:43 167阅读 0赞

不受限的：在实际工程中用处不大，所以目前只需要研究受限玻尔兹曼机。

一层是可视化层，一般来说是输入层，另一层是隐含层，也就是我们一般指的特征提取层。

RBM是可以多层叠加在一起的。

![394][]

上面的h1到hn是n个实数，下面的v1到vm是m个实数，都是0到1之间的数字，它们各自组成了一个h向量和一个v向量。

逻辑回归：其实这是一个伯努利分布（二项分布）的演化，正例概率是p，负例为1-p。

令s=P/1-p t=ln(s).

![65][]

![72][]

![117][]

f（x）就是1产生的概率p,x就是这个多维向量。

逻辑回归的损失函数：

![312][]

最大似然度：有一个未知参数向量，这是一种条件描述。观测对象数据用x来表示，在观测过程中x会有一定的概率分布。

![13][]

未知向量

如果你观测到一个正态分布，那么P（x）就表示为

![141][]

最大似然：一个连乘关系的最大值可以根据取对数后找到极大值的点。

对于完整的X=wTx，x1到xn叫做“解释变量”，而u叫做随机扰动项，是在随机过程中的一种不确定的值，且这个u也是服从正太分布的。

3sigma准则。

损失函数：

RBM的损失函数是CD（contrasive divergence对比散度）学习目标是最大似然度 让网络学习到一个矩阵，使得网络中拟合的概率“全局性”最大。

RBM的能量模型：

![275][]

![147][]

就是参数w,c,b后面的能量表示：一个是权重w连接两侧节点的v和h产生的，必须三个都为1才算有能量的输出；另外两个则是节点上的偏置和节点输入的向量维度值相乘，也必须都为1才算有能量的输出。

通过最大化这个P（v）（取其对数的值）对于对比散度，只利用这两个式子，然后让向量在这个网络的两侧不断反弹，吃书画网络权重w，用一个向量v通过网络映射来得到h，然后是第一次反弹，用h通过网络反过来生成v’；然后是第二次反弹，用这个v’通过网络生成h’。然后根据L函数的导数来更新w。

能量模型的意义：

\[if !supportLists\]第一、\[endif\]RBM网络是一种无监督学习的方法，无监督学习的目的是最大可能的拟合输入数据，所以学习RBM网络的目的是让RBM网络最大可能地拟合输入数据。

\[if !supportLists\]第二、\[endif\]能量模型能为无监督学习方法提供两个东西：a）目标函数；b）目标解。

\[if !supportLists\]第三、\[endif\]任何概率分布都可以转变成基于能量的模型，而且很多的分布都可以利用能量模型的特有的性质和学习过程，有些甚至从能量模型中找到了通用的学习方法。

能量模型需要两个东西，一个是能量函数，另一个是概率，有了概率才能跟要求解的问题联合起来。

深度学习中可以由多个RBM叠加而成。

应用：分类问题，降维可进行串并联的使用，也就是通过多个RBM模型来形成一个完整的工作网络。

[394]: /images/20220605/69bd3424a2fb4c1b98e968884bd56c0a.png
[65]: /images/20220605/aac97fff5e014ec39473a394fca56c36.png
[72]: /images/20220605/211f73361c4d4478bab398c5dc7b12dc.png
[117]: /images/20220605/21b04b82969343f3af39093787c3ae22.png
[312]: /images/20220605/8ae94a5ac0a2401da110c9afaeda7e21.png
[13]: /images/20220605/c387edc4ebe1467ebe80505ab5731c71.png
[141]: /images/20220605/4698cf3605f243b8892dde407aa7c374.png
[275]: /images/20220605/10580b9539ee428e96a404d1922c08d2.png
[147]: /images/20220605/8f9f62690e7b4b3d8a3a353cd25faf44.png