歡迎轉載，轉載請注明：本文出自Bin的專欄blog.csdn.net/xbinworld。
技術交流QQ群：433250724，歡迎對算法、技術、應用感興趣的同學加入。

接下來重點講一下RBM模型求解方法，其實用的依然是梯度優化方法，但是求解需要用到隨機采樣的方法，常見的有：Gibbs Sampling和對比散度(contrastive divergence, CD[8])算法。

RBM目標函數

假設給定的訓練集合是S={vi}，總數是ns，其中每個樣本表示為vi=(vi1,vi2,…,vinv)，且都是獨立同分布i.i.d的。RBM采用最大似然估計，即最大化

lnLS=ln∏i=1nsP(vi)=∑i=1nslnP(vi)

參數表示為θ=(W,a,b)，因此統一的參數更新表達式為：

θ=θ+η?lnLS?θ
其中，η表示學習速率。因此，很明顯，只要我們可以求解出參數的梯度，我們就可以求解RMB模型了。我們先考慮任意單個訓練樣本（v0）的情況，即
LS=lnP(v0)=ln(1Z∑he?E(v0,h))=ln∑he?E(v0,h)?ln∑v,he?E(v,h)
其中v表示任意的訓練樣本，而v0則表示一個特定的樣本。

?LS?θ=?lnP(v0)?θ=??θ(ln∑he?E(v0,h))???θ(ln∑v,he?E(v,h))=?1∑he?E(v0,h)∑he?E(v0,h)?E(v0,h)?θ+1∑v,he?E(v,h)∑v,he?E(v,h)?E(v,h)?θ=?∑hP(h|v0)?E(v0,h)?θ+∑v,hP(h,v)?E(v,h)?θ
（其中第3個等式左邊內條件概率P(h|v0)，因為e?E(v0,h)∑he?E(v0,h)=e?E(v0,h)/Z∑he?E(v0,h)/Z=P(v0,h)P(v0)=P(h|v0)）

上面式子的兩個部分的含義是期望——左邊是梯度?E(v0,h)?θ在條件概率分布P(h|v0)下的期望；右邊是梯度?E(v,h)?θ在聯合概率分布P(h,v)下的期望。要求前面的條件概率是比較容易一些的，而要求后面的聯合概率分布是非常困難的，因為它包含了歸一化因子Z（對所有可能的取值求和，連續的情況下是積分），因此我們采用一些隨機采樣來近似求解。把上面式子再推導一步，可以得到，

?LS?θ=?∑hP(h|v0)?E(v0,h)?θ+∑vP(v)∑hP(h|v)?E(v,h)?θ

因此，我們重點就是需要就算∑hP(h|v)?E(v,h)?θ，特別的，針對參數W,a,b來說，有

∑hP(h|v)?E(v,h)?wij=?∑hP(h|v)hivj=?∑hP(hi|v)P(h?i|v)hivj=?∑hiP(hi|v)∑h?iP(h?i|v)hivj=?∑hiP(hi|v)hivj=?(P(hi=1|v)?1?vj+P(hi=0|v)?0?vj)=?P(hi=1|v)vj

類似的，我們可以很容易得到：

∑hP(h|v)?E(v,h)?ai=?vi

∑hP(h|v)?E(v,h)?bj=?P(hi=1|v)

于是，我們很容易得到，

?lnP(v0)?wij=?∑hP(h|v0)?E(v0,h)?wij+∑vP(v)∑hP(h|v)?E(v,h)?wij=P(hi=1|v0)v0j?∑vP(v)P(hi=1|v)vj

?lnP(v0)?ai=v0i?∑vP(v)vi

?lnP(v0)?bi=P(hi=1|v0)?∑vP(v)P(hi=1|v)

上面求出了一個樣本的梯度，對于ns個樣本有

?LS?wij=∑m=1ns[P(hi=1|vm)vmj?∑vP(v)P(hi=1|v)vj]

?LS?ai=∑m=1ns[vmi?∑vP(v)vi]

?LS?bi=∑m=1ns[P(hi=1|vm)?∑vP(v)P(hi=1|v)]

到這里就比較明確了，主要就是要求出上面三個梯度；但是因為不好直接求概率分布P(v)，前面分析過，計算復雜度非常大，因此采用一些隨機采樣的方法來得到近似的解?？催@三個梯度的第二項實際上都是求期望，而我們知道，樣本的均值是隨機變量期望的無偏估計。

Gibbs Sampling

很多資料都有提到RBM可以用Gibbs Sampling來做，但是具體怎么做不講（是不是有點蛋疼？），可能很多人也不清楚到底怎么做。下面稍微介紹一下。

吉布斯采樣（Gibbs sampling），是MCMC方法的一種，具體可以看我前面整理的隨機采樣MCMC的文章。總的來說，Gibbs采樣可以從一個復雜概率分布P(X)下生成數據，只要我們知道它每一個分量的相對于其他分量的條件概率P(Xk|X?k)，就可以對其進行采樣。而RBM模型的特殊性，隱藏層神經元的狀態只受可見層影響（反之亦然），而且同一層神經元之間是相互獨立的，那么就可以根據如下方法依次采樣：

也就是說hi是以概率P(hi|v0)為1，其他的都類似。這樣當我們迭代足夠次以后，我們就可以得到滿足聯合概率分布P(v,h)下的樣本(v,h)，其中樣本(v)可以近似認為是P(v)下的樣本，下圖也說明了這個迭代采樣的過程：

有了樣本(v)就可以求出上面寫到的三個梯度（?LS?wij,?LS?ai,?LS?bi）了，用梯度上升就可以對參數進行更新了。（實際中，可以在k次迭代以后，得到樣本集合{v}，比如迭代100次取后面一半，帶入上面梯度公式的后半部分計算平均值。）

看起來很簡單是不是？但是問題是，每一次gibbs采樣過程都需要反復迭代很多次以保證馬爾科夫鏈收斂，而這只是一次梯度更新，多次梯度更新需要反復使用gibbs采樣，使得算法運行效率非常低。為了加速RBM的訓練過程，Hinton等人提出了對比散度（Contrastive Divergence）方法，大大加快了RBM的訓練速度，將在下一篇重點講一下。

OK，本篇先到這里。平時工作比較忙，加班什么的（IT的都這樣），晚上回到家比較晚，每天只能擠一點點時間寫，寫的比較慢，見諒。RBM這一塊可以看的資料很多，網上一搜一大堆，還包括hinton的一些論文和Bengio的綜述[9]，不過具體手寫出來的思路還是借鑒了[7]，看歸看，我會自己推導并用自己的語言寫出來，大家有什么問題都可以留言討論。下一篇最后講一下CD算法，后面有時間再拿code出來剖析一下。

---

覺得有一點點價值，就支持一下哈！花了很多時間手打公式的說~更多內容請關注Bin的專欄

---

參考資料
[1] http://www.chawenti.com/articles/17243.html
[2] 張春霞，受限波爾茲曼機簡介
[3] http://www.cnblogs.com/tornadomeet/archive/2013/03/27/2984725.html
[4] http://deeplearning.net/tutorial/rbm.html
[5] Asja Fischer, and Christian Igel，An Introduction to RBM
[6] G.Hinton, A Practical Guide to Training Restricted Boltzmann Machines
[7] http://blog.csdn.net/itplus/article/details/19168937
[8] G.Hinton, Training products of experts by minimizing contrastive divergence, 2002.
[9] Bengio, Learning Deep Architectures for AI, 2009

轉載于:https://www.cnblogs.com/yihaha/p/7265316.html

總結

以上是生活随笔為你收集整理的深度学习方法：受限玻尔兹曼机RBM（三）模型求解，Gibbs sampling的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。