RBM算法理解.pdf

  1. 1、本文档共16页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
RBM算法理解

阅读须知 这份笔记参考了很多网上的资源,也加入很多自己的理解和详细推导,非常适合初学者 使用,这篇笔记属于复合型产物,感谢那些网上无私奉献自己心得的人们。欢迎大家进行批 评指正by ZengRui RBM 算法理解 RBM 的简单模型 h 这里先描述一下最简单的RBM 模型,只有2 层, 和 分别代表的是可见层(visible ) v 和隐层 (hidden),数据的输入是从可见层进行输入的,然后通过计算可以得出隐层的值。 简单 RBM 模型的参数描述如下,可见层与隐层的之间的权值是W ,注意到图中h nm 有 n 个节点, 有 m 节点,单个节点用 和 描述,因为是简单 RBM 模型,所以 v v h j i i, j ,v  0,1 ,h  0,1注意这里 0,1 是一个集合,这个集合只有 2 个元素,也就是说 j   i     只能取0 或者1 ,还有2 个参数是 和 ,这2 个参数可以参考神经网络里面的bias,它们 c b 都是列向量,每个分量都对应着每个节点的单独偏置量。一个训练样本假设是 X x ,x , x ,每个分量对应着visible 层的一个节点,也就是visible 层有 个节点,  1 2 m  m 他通过visible 层输入进去,经过一系列运算得到一个向量Y  y , y , , y  ,这组值同理 1 2 n 也是与hidden 层的每个节点一一对应的。可以理解为RBM 模型将一个维度为 的向量(即 m 一个样本有m 个特征)映射到一个维度为 的向量(一个样本具有n 个特征)。 n 值的生成规则如下: 1. 如上面所示有 和 2 个 向量,通过输入向量和参数 W , 计算 X Y b  m  p h 1|v sigmoid w v c ,这个式子计算的是 的值为1 的概率,  i   ij j i  hi j 1  v i 可以是任意的一个隐层节点, 即为visible 的输入,即 ,上面的式子算出了隐 X j 层节点为1 的概率,那么这个隐层节点到底是取1 还是0 呢,下面告诉你。 2.

文档评论(0)

dajuhyy + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档