人工智能之受限玻爾茲曼機(RBM)
用于訓練RBM的算法被稱作對比發散CD（contrastive divergence） 算法 。對比發散CD算法，目前已經成為訓練RBM的標準算法。訓練過程如下圖所示。
RBM問題實質：
RBM求解目標可認為是讓RBM網絡表示的Gibbs分布與輸入樣本的分布盡可能地接近。
RBM問題最終可以轉化為極大似然來求解。
RBM功能：
深信任網絡DBN和深玻爾茲曼機DBM，由多層神經元組成，已經應用于許多機器學習任務中，能夠很好地解決一些復雜問題，在一定程度上提高了學習性能。深神經網絡由許多受限玻爾茲曼機RBM堆棧構成，RBM的可見層神經元之間和隱層神經元之間假定無連接。深神經網絡用層次無監督貪婪預訓練方法分層預訓練RBM，將得到的結果作為監督學習訓練概率模型的初始值，學習性能得到很大改善。無監督特征學習就是將RBM的復雜層次結構與海量數據集之間實現統計建模。通過無監督預訓練使網絡獲得高階抽象特征，并且提供較好的初始權值，將權值限定在對全局訓練有利的范圍內，使用層與層之間的局部信息進行逐層訓練，注重訓練數據自身的特性，能夠減小對學習目標過擬合的風險，并避免深神經網絡中誤差累積傳遞過長的問題。RBM由于表示力強、易于推理等優點被成功用作深神經網絡的結構單元使用，在近些年受到廣泛關注，作為實際應用，RBM的學習算法已經在MNIST和NORB等數據集上顯示出優越的學習性能。RBM的學習在深度神經網絡的學習中占據核心的地位。
RBM應用場景：
玻爾茲曼機BM及其模型已經成功應用于協同濾波、分類、降維、圖像檢索、信息檢索、語言處理、語音識別、時間序列建模、文檔分類、非線性嵌入學習、暫態數據模型學習和信號與信息處理等任務。
受限玻爾茲曼機RBM在降維、分類、協同過濾、特征學習和主題建模中得到了應用。根據任務的不同，受限玻爾茲曼機可以使用監督學習或無監督學習的方法進行訓練。
結語：
受限玻爾茲曼機RBM是一種可通過輸入數據集學習概率分布的隨機生成神經網絡。它是一種玻爾茲曼機BM的變體，限制玻爾茲曼機RBM和玻爾茲曼機BM相比，主要是加入了“限制”。所謂的限制就是，將完全圖變成了二分圖。RBM算法在人工智能之機器學習、降維、分類、協同過濾、特征學習和主題建模等領域有著廣泛應用。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
最新活動更多
- 1 GPT-6要來了，但AI行業早不跟 OpenAI玩了
- 2 資本巨頭紛紛抽身，為何中小投資者仍為AI狂熱加碼？
- 3 谷歌Gemma 4遭破解！實測：偽造支票、找盜版電影，有求必應
- 4 阿里云CTO李飛飛，不是那個“AI教母”李飛飛
- 5 特斯拉Optimus Gen3量產在即，哪些環節最具確定性？
- 6 熱點丨谷歌Gemma 4用31B擊敗397B模型，本地AI推向新高度
- 7 深度丨Anthropic和OpenAI把Harness帶出圈，AI管AI成為現實
- 8 OpenAI深夜王炸！ChatGPT Images 2.0實測：中文穩、細節炸，設計師慌了
- 9 AI缺電邏輯持續推動燃氣輪機需求大增，國內廠商簽下20億訂單！
- 10 每天2起融資、3億入場，具身智能上演資本核爆
