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