受限玻尔兹曼机(Restricted Boltzmann Machine, RBM) 简介

  • 时间:
  • 浏览:2

  有了v和h的联合配置的能量完后 ,大伙就能非要得到v和h的联合概率:

  式子-7中的前者比较好计算,只还都都能不能 求vihj在删剪数据集上的平均值即可,而后者涉及到v,h的删剪2|v|+|h|种组合,计算量非常大(基本不可解)。

  参考文献:

  后者等于

  大伙通过最大化P(v)来得到RBM的参数,最大化P(v)等同于最大化log(P(v))=L(θ):

  重构的可见向量v1和隐藏向量h1就说 对P(v,h)的一次抽样,多次抽样得到的样本集合能非要看做是对P(v,h)的一种近似,使得式子-7的计算变得可行。

  受限玻尔兹曼机(Restricted Boltzmann Machine,简称RBM)是由Hinton和Sejnowski于1986年提出的一种生成式随机神经网络(generative stochastic neural network),该网络由一些可见单元(visible unit,对应可见变量,亦即数据样本)和一些隐藏单元(hidden unit,对应隐藏变量)构成,可见变量和隐藏变量删剪总要二元变量,亦即其情況取{0,1}。整个网络是有有一2个二部图,非要可见单元和隐藏单元之间才会趋于稳定边,可见单元之间以及隐藏单元之间删剪总要会有边连接,如下图所示:

       (式子-4)

2. RBM的学习方式-CD(Contrastive Divergence,对比散列)

  

  RBM的权重的学习算法:

  (式子-9)

                     (式子-2)

  2. 张春霞, 姬楠楠, 王冠伟. 受限玻尔兹曼机简介.

  (式子-1)

                       (式子-5)

  大伙希望最大化观测数据的似然函数P(v),P(v)可由式子-3求P(v,h)对h的边缘分布得到:

  4. Edwin Chen: Introduction to Retricted Boltzmann Machine  

  1. R. Salakhutdinov. Deep Learning Tutorial.

  3. Wikipedia: Restricted Boltzmann Machine

  能非要通过随机梯度下降(stichastic gradient descent)来最大化L(θ),首先还都都能不能 求得L(θ)对W的导数:

     (式子-7)

  其中θ是RBM的参数{W, a, b}, W为可见单元和隐藏单元之间的边的权重,b和a分别为可见单元和隐藏单元的偏置(bias)。

1. RBM的学习目标-最大化似然(Maximizing likelihood)

  首先根据数据v来得到h的情況,刚刚通过h来重构(Reconstruct)可见向量v1,刚刚再根据v1来生成新的隐藏向量h1。刚刚RBM的特殊內部(层内无连接,层间有连接), 所以在给定v时,各个隐藏单元hj的激活情況之间是相互独立的,反之,在给定h时,各个可见单元的激活情況vi也是相互独立的,亦即:

    

  RBM是一种基于能量(Energy-based)的模型,其可见变量v和隐藏变量h的联合配置(joint configuration)的能量为:

  经过错综复杂能非要得到:

       (式子-6)

  其中Z(θ)是归一化因子,也称为配分函数(partition function)。根据式子-1,能非要将上式写为:

  为了避免式子-8的计算问题,Hinton等人提出了一种高效的学习算法-CD(Contrastive Divergence),其基本思想如下图所示:

                           (式子-8)

    (式子-3)