知识卡片
用CD-1绕开配分函数
RBM 的学习是最大化训练数据的对数似然,其梯度形如 〈·〉data-〈·〉model:第一项对条件分布 P(h|v) 求期望,容易算;第二项要对联合分布 P(v,h) 求期望,而 P(v,h) 含配分函数 Z,需枚举所有状态,无法直接计算。办法是用 MCMC 采样近似:Gibbs 采样从任意状态出发,轮流按各分量的条件分布抽样,足够多步后收敛到联合分布。步数多则慢,Hinton 的对比散度(CD)指出:模型分布接近数据分布时,用训练样本初始化可见层,只需很少步采样即可。CD-1 即一步:v⁰=x → 采样 h⁰ → 重构 v¹ → 采样 h¹,用重构期望 〈·〉recon 替代 〈·〉model,再按 ΔW_ji=ε(〈h_j v_i〉data-〈h_j v_i〉recon) 更新。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第6章 神经网络与深度学习 · 查看原书依据
Hinton指出,当模型分布与训练数据分布比较接近时,若使用训练样本初始化可见层状态v0,则仅需使用较少抽样步数的Gibbs采样就可以得到足够好的近似
参考来源
- 位置:《大数据挖掘与统计机器学习》第6章 神经网络与深度学习(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter8_0002.xhtml,6.2.1 受限玻尔兹曼机)
- 结论依据:原文说明配分函数导致模型期望难算,引出 Gibbs 采样与 CD-1 用重构期望替代模型期望的近似。
- 原始内容:Hinton指出,当模型分布与训练数据分布比较接近时,若使用训练样本初始化可见层状态v0,则仅需使用较少抽样步数的Gibbs采样就可以得到足够好的近似