深度学习方法:受限玻尔兹曼机RBM模型求解,Gibbs sampling

Posted gccbuaa

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了深度学习方法:受限玻尔兹曼机RBM模型求解,Gibbs sampling相关的知识,希望对你有一定的参考价值。

欢迎转载,转载请注明:本文出自Bin的专栏blog.csdn.net/xbinworld
技术交流QQ群:433250724,欢迎对算法、技术、应用感兴趣的同学增加。

接下来重点讲一下RBM模型求解方法。其有用的依旧是梯度优化方法,可是求解须要用到随机採样的方法。常见的有:Gibbs Sampling和对照散度(contrastive divergence, CD[8])算法。

RBM目标函数

如果给定的训练集合是S={vi},总数是ns。当中每个样本表示为vi=(vi1,vi2,,vinv)。且都是独立同分布i.i.d的。RBM採用最大似然预计,即最大化

lnLS=lni=1nsP(vi)=i=1nslnP(vi)

參数表示为θ=(W,a,b),因此统一的參数更新表达式为:

θ=θ+ηlnLSθ

当中,η表示学习速率。因此,非常明显。仅仅要我们能够求解出參数的梯度,我们就能够求解RMB模型了。我们先考虑随意单个训练样本(v0)的情况,即
LS=lnP(v0)=ln(1ZheE(v0,h))=lnheE(v0,h)lnv,heE(v,h)

当中v表示随意的训练样本,而v0则表示一个特定的样本。

LSθ=lnP(v0)θ=θ(lnheE(v0,h))θ(lnv,heE(v,h))=1heE(v0,h)受限玻尔兹曼机(RBM)理解

SIGAI深度学习第六集 受限玻尔兹曼机

受限玻尔兹曼机基础教程

theano-windows学习笔记十五——受限玻尔兹曼机

受限玻尔兹曼机(RBM)原理总结

受限玻尔兹曼机