知识卡片
吉布斯采样与块更新
在[[马尔可夫链蒙特卡罗收敛]]的框架下,吉布斯采样为构造转移算子提供了简单有效的路径:每次只挑一个变量,从它在无向图中给定邻接点后的条件分布中重新抽样。由于条件独立的变量可以被同时更新,RBM 中所有隐藏单元能在给定可见单元时一起采样,所有可见单元也能在给定隐藏单元时一起采样,这种同时更新一组变量的做法称为块吉布斯采样。它绕开了无向模型里“先有鸡还是蛋”的循环依赖,也不必有向模型那样按拓扑顺序做原始采样。相比 Metropolis-Hastings 等其他构造转移算子的方法,吉布斯采样在深度学习的无向模型中更为常用。
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17章 蒙特卡罗方法 · 查看原书依据
在给定所有可见单元的条件下它们相互条件独立。同样地,所有的可见单元也可以被同时采样,因为在给定所有隐藏单元的情况下它们相互条件独立。以这种方式同时更新许多变量的Gibbs采样通常被称为块吉布斯采样 (block Gibbs Sampling)。
参考来源
- 位置:《深度学习》第17章 蒙特卡罗方法(源文件:extracted/深度学习/_epub-src/text/part0006_split_001.html)
- 结论依据:原文说明吉布斯采样按邻接点条件分布抽样,并以 RBM 隐藏单元与可见单元可被同时采样为例解释块吉布斯采样。
- 原始内容:在给定所有可见单元的条件下它们相互条件独立。同样地,所有的可见单元也可以被同时采样,因为在给定所有隐藏单元的情况下它们相互条件独立。以这种方式同时更新许多变量的Gibbs采样通常被称为块吉布斯采样 (block Gibbs Sampling)。