玻尔兹曼机（BM）

45 阅读 0 评论 30 点赞

我是靠谱客的博主稳重早晨，最近开发中收集的这篇文章主要介绍玻尔兹曼机（BM），觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

内容基于《人工神经网络理论，设计及应用》的学习，对重点进行了摘抄总结，网上许多博客的内容也基于此。

玻尔兹曼机是一种随机神经网络，借鉴了模拟退火思想。

随机神经网络与其他神经网络相比有两个主要区别：

① 在学习（训练）阶段，随机网络不像其他网络那样基于某种确定性算法调整权值，而是按某种概率分布进行修改；（通俗解释，Hopfield网络的权值用某种方法一步确定，而玻尔兹曼机像BP网络一样，每训练一次，权值改变一次。）

② 在运行（预测）阶段，随机网络不是按某种确定性的网络方程进行状态演变，而是按某种概率分布决定其状态的转移。神经元的净输入不能决定其状态取１还是取０，但能决定其状态取１还是取０的概率。这就是随机神经网络算法的基本概念。（Hopfield网络后一状态的值由前一状态决定，玻尔兹曼机后一状态的值受到前一状态影响。）

网络有两种类型，如下图，可以先不去理解，有个大致印象就行，后面有解释，其中隐节点个数可以为0。不明白为何有些线不是双向的，按分析，所有权值都对称，应该都是双向箭头?

预测阶段

设 BM 机中单个神经元的净输入为 :

与DHNN不同的是，净输入并不能通过符号转移函数直接获得确定的输出状态，实际的输出状态将按照某种概率发生，输出某种状态的转移概率：

上式表示的是神经元j输出状态为1的概率，状态为0的概率为：

$$P_{j}(0)=1-P_{j}(1)$$

构建能量函数，证明按上述步骤，能量会减小。

BM机采用的与DHNN网络相同的能量函数描述网络状态，如下图所示：

设BM机按异步方式工作，每次第j个神经元改变状态，根据能量变化公式：

对上式进行讨论：
（1）当 $net_{j}>0$ 时，有 $P_{j}(1)>0.5$ ，即神经元有较大的概率取 $x_{j}=1$ 。若原来 $x_{j}=1$ ，则 $Δxj=0$ $Delta x_{j}=0$ ,从而 $Delta E=0$ ；若原来 $x_{j}=0$ ，则 $Delta x_{j}=1$ ，从而 $Delta E<0$ 。
（2）当 $net_{j}<0$ 时，有 $P_{j}(1)<0.5$ ，即神经元有较大的概率取 $x_{j}=0$ 。若原来 $x_{j}=0$ ，则 $Δxj=0$ $Delta x_{j}=0$ ,从而 $Delta E=0$ ；若原来 $x_{j}=1$ ，则 $Delta x_{j}=-1$ ，从而 $Delta E<0$ 。

以上对各种可能的情况讨论中可以看出，对于BM机，随着网络状态的演变，从概率意义上网络的能量总是朝着减小的方向变化。这就意味着尽管网络能量的总趋势是朝着减小的方向演进，但不排除在有些神经元状态可能会按照小概率取值，从而使网络能量暂时增加。正是因为有了这种可能性，BM机才具有了从局部极小的低谷中跳出的“爬山”能力，这一点是BM机与DHNN网能量变化的根本区别。

采用上述模拟退火算法进行最优解的搜索，开始时温度设置很高，此时神经元状态为1或0概率几乎相等，因此网络能量可以达到任意可能的状态，包括局部最小或全局最小。当温度下降，不同状态的概率发生变化，能量低的状态出现的概率大，而能量高的状态出现的概率小。当温度逐渐降至0时，每个神经元要么只能取1，要么只能取0，此时网络的状态就凝固在目标函数全局最小附近。对应的网络状态就是优化问题的最优解。

计算过程例子http://blog.sina.com.cn/s/blog_c0ea025f0102xhk0.html，该例子最后第二图描述了某个起始状态变化为某个末状态的过程，得到状态。也就是最后得到的某个固定的状态，这与训练阶段不同，训练阶段的输入输出是各个状态的概率分布，比如。