TensorFlow深度学习实战（19）——受限玻尔兹曼机 - 指南

TensorFlow深度学习实战（19）——受限玻尔兹曼机

• • 0. 前言
  • 1. 受限玻尔兹曼机
  • • 1.1 受限玻尔兹曼机架构
    • 1.2 受限玻尔兹曼机的数学原理
  • 2. 利用受限玻尔兹曼机重建图像
  • 3. 深度信念网络
  • 小结
  • 系列链接

0. 前言

受限玻尔兹曼机 (Restricted Boltzmann Machine, RBM) 是一种无监督学习的概率图模型，用于学习数据的特征表示。它是由两层神经元组成的网络，其中一层是可见层 (visible layer)，用于表示输入数据；另一层是隐层 (hidden layer)，用于捕捉数据的潜在特征，而深度信念网络是堆叠的 RBM。本节中，将介绍 RBM 的基本原理，并使用 TensorFlow 实现 RBM 和深度信念网络用于重建图像。

1. 受限玻尔兹曼机

1.1 受限玻尔兹曼机架构

受限玻尔兹曼机 (Restricted Boltzmann Machine, RBM) 是一种双层神经网络，一层称为可见层 (visible layer)，另一层称为隐层 (hidden layer)。因为只有两层，因此称为浅层神经网络。RBM 最早由 Paul Smolensky 于 1986 年提出，