目錄：

• 一、RBM

• 二、Deep Brief Network

• 三、Deep Autoencoder

一、RBM

1、定義【無監督學習】

RBM記住三個要訣：1）兩層結構圖，可視層和隱藏層；【沒輸出層】2）層內無連接，層間全連接；3）二值狀態值，前向反饋和逆向傳播求權參。定義如下：

一般來說，可見層單元用來描述觀察數據的一個方面或一個特征，而隱藏層單元的意義一般來說並不明確，可以看作特征提取層。

比較通俗解釋RBM的博客：https://blog.csdn.net/u013631121/article/details/76652647

玻爾茲曼機的模型，它一共有兩層：如下圖，下邊4個圈為可見層【即輸入層】，上面3個圈為隱藏層。雙向箭頭【因為前向傳播和後向傳播，無監督學習】

前向傳播：

• b為偏置，如左上角的圈計算：y1=x1*w11+x2*w21+x3*w31+x4*w41+b1。將y1,y2,y3求出，加上激活函數即可。

• a為偏置。通過算出來的y1，y2，y3再回求一遍x1~x4。為了方便區分，回求的值我們叫做x‘1~x’4。舉個例子求x‘1，把隱含層3個數據與權值相乘，之後把偏置量a1給加上就完事兒了，公式寫作x1=y1*w11+y2*w12+y3*w13+a1。其余3個也按照這個方式求出。
• 求完x‘1~x’4後用x‘1~x’4對隱含層再次求一遍值，得到y‘1~y‘3三個數。

反向傳播：

目標函數：我們要做的就是讓我們求得x與x‘盡量相等，但是我們通過計算他們的差值，不為0，那怎麽辦呢，那就是反向傳播。

權重計算：x和y的矢量做乘積，x‘與y‘做乘積，求出z與z‘兩個矩陣，這兩個矩陣shape(x，y)，z與z‘相減，然後加入到權值裏面，例如w11，那麽新的w11值就為：w11=w11+alpha*(z11-z‘11)，alpha為學習速率，其它的權值也是一樣計算。

偏置量計算：隱含層偏置量b1更新值為：b1=b1+alpha*(y1-y‘1)，可視層偏置量a1=a1+alpha*(x1-x‘1)，其余偏置量同理計算。

前向、後向傳播叠代訓練直到輸入x和訓練x‘近乎相等。

前向、後向傳播的例子解釋：區分以下大象和狗的圖。

正向更新：給定這些像素，權重應該送出一個更強的信號給大象還是狗？

反向更新：給定大象和狗，我應該送出一個什麽樣的像素分布？

2、RBM原理：

能量模型：一般認為物體的能量越高越不穩定，能量越低越趨於穩定。比如說，斜坡上的一個箱子，它位於越高的位置，則擁有更高的重力勢能。能量模型把箱子停在哪個位置定義為一種狀態，每個狀態對應著一個能量。這個能量由能量函數來定義，箱子位於某個位置(某個位置)的概率。比如箱子位於斜坡1/2高度上的概率為p，它可以用E表示成p=f(E)。

RBM結構：

這裏為了簡單描述，假設每個節點的取值為{0,1}。

計算過程：

求解極大似然：梯度上升。參考http://lib.csdn.net/article/deeplearning/59097?knId=1746

二、 Deep Brief Network概念：多個Restricted Boltlzmann Machines

通俗解釋：深度信念網絡就是指能夠通過概率大小學習的神經網絡。把RBM堆疊在一塊，然後形成一大串連接的RBM，最後在頂端加入一個輸出層，就是深度信念神經網絡。

如圖：

運行圖：就是把原始數據輸入到最下面的RBM可視層中，然後訓練RBM1，訓練完成之後把RBM1的隱含層作為RBM2的可視層，繼續訓練RBM2，接下來把RBM2的隱含層做為RBM3的可視層，直到訓練完成為止。

每層的神經元不與本層的其他神經元交流。最後一層通常是分類層（eg,softmax)

除了第一層和最後一層，每層都有兩個作用：對於前一層作為隱藏層，作為後一層的輸入層。

三、Deep Autoencoders：有兩個Deep Brief Network組成

自編碼作用：用來降低維度，圖像搜索（壓縮），數據壓縮，信息檢索

下圖：中間藍色：相當於學習到的特征向量，左邊為自編碼，右邊為解編碼。

每層由RBM組成。

RBM（受限玻爾茲曼機）和深層信念網絡（Deep Brief Network）