本文包括RBM的所有基础知识。代码可以见hinton的文章 玻尔兹曼机（BMS）是一种特殊的对数线性马尔可夫随机场（MRF）的形式，即，其能量函数在其自由参数的线性空间里。使他们强大到足以代表复杂的分布，我们考虑到一些变量是没有观察到（他们称为隐藏）。通过更多的隐藏变量（也称为隐藏的单位），我们可以增加的玻尔兹曼机的建模能力（BM）。受限玻尔兹曼机进一步限制BMS中那些可见-可见和隐藏-隐藏的连接。本文是一个RBM的描述。

张量流 深度玻纤编码器的分层预训练的受限玻尔兹曼机的Tensorflow实现。 这是的分支，并进行了一些更正和改进。 受限玻尔兹曼机是一种遗留机器学习模型，不再在任何地方使用。 该存储库仅具有历史和教育价值。 我已经使用更新了代码以在现代系统上运行，但是我将不再维护它。 安装 git clone https://github.com/meownoid/tensorfow-rbm.git cd tensorfow-rbm python -m pip install -r requirements.txt python setup.py 例子 Bernoulli-Bernoulli RBM适用于Bernoulli分布的二进制输入数据。 例如，MNIST。 要训​​练模型，只需构造tf.data.Dataset其中包含形状为(n_visible,)向量(n_visible,)并将其传递给fi

概述 这是用Python编写的 RBM 学习算法的简单实现，它使用numpy包来加速矩阵计算。 路线 要使用默认参数在 MNIST 数据集上运行 RBM 学习算法，请键入 python rbm.py 否则您可以自己指定所有参数 python rbm.py 这将在训练示例上训练 RBM，然后尝试在给定学习权重的情况下重建测试图像。 原始测试图像和重建的测试图像都将保存在Output/文件夹中。 依赖关系 请注意，此项目需要 Python 3.x 才能运行。 它还需要numpy包。

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性，对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型，通过灰色关联系数法寻找待预测日的相似日，并利用遗传算法对RBM算法进行参数优化，避免模型参数寻优陷入局部最优，以提高预测模型的预测精度。仿真算例表明，所提模型可以更好地反映光伏发电功率的概率分布。

格子玻尔兹曼的历年经典文章包括多孔介质里面的扩散

GPU和格子玻尔兹曼方法联合加速的水平集模型及其在图像分割中的应用.pdf

生成式模型 生成式模型的理念大同小异，几乎都是用一个模型产生概率分布来拟合原始的数据分布情况，计算两个概率分布的差异使用KL散度，优化概率模型的方法是最小化对数似然，可以用EM算法或梯度优化算法。 今天表现比较好的生成模型有VAE变分自编码器，GAN生成对抗网络和PixelRNN以及Seq2Seq等。而RBM则比它们要早很多，可以说是祖师爷级别的模型。 受限玻尔兹曼机 RBM模型是一种很早被提出的基于能量和概率的生成式模型，它拥有一个显层和一个隐层，层上有偏置，两层之前有一个权值矩阵W，只是看起来的话结构和单层神经网络并无区别。但是我们会定义这些神经元拥有“开启”或“关闭”的二值状态，为什么

PDF详细介绍了CE展开的全过程，适合初学者。

如果需要系统查看，请看我的博文链接https://www.cnblogs.com/lovely-bones/p/12001844.html

PyTorch中的受限玻尔兹曼机（RBM） 作者： 概述 该项目使用PyTorch实现了受限玻尔兹曼机（RBM）（请参阅rbm.py ）。 我们的实现包括动量，权重衰减，L2正则化和CD- k对比散度。 我们还提供对CPU和GPU（CUDA）计算的支持。 另外，我们提供了一个示例文件，将我们的模型应用于MNIST数据集（请参阅mnist_dataset.py ）。 该示例训练了RBM，使用训练后的模型从图像中提取特征，最后使用基于SciPy的逻辑回归进行分类。 它达到了92.8％的分类精度（这显然不是前沿模型）。