无监督学习神经网络——受限玻尔兹曼机

受限玻尔兹曼机(RBM)是一种随机神经网络来解释的概率图模型。RBM是Smolensky于1986年在玻尔兹曼机(BM)基础上提出的,“随机”是指网络中的神经元是随机神经元,输出状态只有两种(激活和未激活),状态的取值根据概率统计法则来决定。

在受限玻尔兹曼机(RBM)中,用到了Sigmiod函数、贝叶斯(Bayes)定理、二分图、蒙特卡罗方法(MCMC)、马尔可夫链,正则分布等方法。

受限玻尔兹曼机(RBM)的网络结构仅包含两个层,可见层和隐藏层。神经元之间的连接具有如下特点:层内无连接,层间全连接RBM对应的图是一个二分图。一般来说,可见层神经元用来描述被观察数据的一个方面或一个特征,而隐藏层神经元的意义一般来说并不明确,可以看作特征提取层。RBM是一个无监督学习的方法,无监督学习的目的是最大可能的拟合输入数据,所以RBM网络的目的让RBM网络最大可能的拟合输入数据。深度学习网络可以叠加多个RBM构成。通常,RBM可以用于分类、降维、对象识别等。

Pytorch:https://github.com/weizy1981/pytorch-rbm

Tensorflow:https://github.com/weizy1981/tensorfow-rbm

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20171212G0IJRH00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券