深度学习（二）--深度信念网络（DBN）

深度学习（二）--深度信念网络（Deep Belief Network，DBN）

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

在介绍深度信念网络之前需要先了解一下受限玻尔兹曼机：受限玻尔兹曼机(英语:restricted Boltzmann machine,RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络。RBM最初由发明者保罗·斯模棱斯基(PaulSmolensky)于1986年命名为簧风琴(Harmonium)，但直到杰弗里·辛顿及其合作者在2000年代中叶发明快速学习算法后，受限玻尔兹曼机才变得知名。参考：https://baike.so.com/doc/8386787-8704719.html

之所以设计玻尔兹曼机，就是因为在最初的状态下，不知道数据的真实分布状态，为了在这种状态下能够在无监督情况下，训练学习出数据的的特征，所以采用受限玻尔兹曼机进行处理。

受限波尔兹曼机是由两层网络组成（参考http://www.cnblogs.com/pinard/p/6530523.html）

它是一个个两层的神经网络，如下图所示：

　　上面一层神经元组成隐藏层(hidden layer), 用h向量隐藏层神经元的值。下面一层的神经元组成可见层(visible layer),用v向量表示可见层神经元的值。隐藏层和可见层之间是全连接的，这点和DNN类似, 隐藏层神经元之间是独立的，可见层神经元之间也是独立的。连接权重可以用矩阵W表示。和DNN的区别是，RBM不区分前向和反向，可见层的状态可以作用于隐藏层，而隐藏层的状态也可以作用于可见层。隐藏层的偏倚系数是向量b,而可见层的偏倚系数是向量a。

　　常用的RBM一般是二值的，即不管是隐藏层还是可见层，它们的神经元的取值只为0或者1。本文只讨论二值RBM。

　　总结下RBM模型结构的结构：主要是权重矩阵W, 偏倚系数向量a和b，隐藏层神经元状态向量h和可见层神经元状态向量v。

二、深度信念网络（DBN）

参考https://blog.csdn.net/a819825294/article/details/53608141

深度信念网络主要是由多层受限玻尔兹曼机组成，具体结构如图1所示

 
图1

深度信念网络的主要重点在于如何训练学习，如图

首先对单一的RBM进行训练：将初始数据x输入RBM中，通过h1=v1*w11+v2*w21+v3*w31+...+vn*wn1+b1计算出h1的值，依次对hm进行计算，之后通过反向求出vn'的值，通过对vn‘’和输入值x对应的vn进行比对，从而调整w进行学习，最终使得vn和vn'相差最小。具体的公式表达参考https://www.cnblogs.com/kemaswill/p/3203605.html

之后将学习到的h作为下一层RBM的输入，学习下一层RBM，与此同时也要对第一层的RBM再次进行修正。以此类推直到所有的RBM都实现学习。