所謂概率圖模型，就是指運用了概率和圖這兩種工具建立的模型（逐漸忘記標題），咳咳，今天講一下限制玻爾茲曼機，或者叫做受限玻爾茲曼機，這個名字起的真是，。。，好的，咳咳

所謂玻爾茲曼機，就是就是玻爾茲曼家的機，就是說玻爾茲曼這個人發明了一種模型，一種機器，所以叫做玻爾茲曼機器，簡稱玻爾茲曼機。 首先，簡單的看一下玻爾茲曼機的圖片： 當然，也可以站著，像下面這樣

RBM是無監督學習模型，有兩個層的淺層神經網路，一個可見層，一個隱藏層，是一種用於降維、分類、迴歸、協同過濾、特徵學習和主題建模的演算法，它是組成深度置信網路的基礎部件。

所以： 公式1

輸出Y5 = 啟用函式f（ X4*W45 + X3*W35 + X2*W25 + X1*W15 + b5）
 

公式2

輸出X1 = 啟用函式f（Y5*W51 + Y6*W61 + Y7*W71 + a1）

根據以上公式1,講Y5 ~ Y7都算出來，也就是將隱含層的值都算出來了，再根據隱含層的值，根據公式2，反推計算出重構值：X‘1 ~ X’4， 根據X‘1 ~ X’4再計算出Y‘5~Y’6，根據X與X‘的差值，進行反向傳播，並更新權重和偏置（w, a, b），根據Y與Y‘的差值，也進行反向傳播，同理更新權重和偏置（線調上的是權重，圓圈裡的是偏置），經過數次的計算和更新，反覆的迴圈，直到X與X‘，Y與Y‘近乎相等為止，此時便構建好了限制玻爾茲曼機的模型。

由於一般RBM的隱藏層的神經元個數會比可見層的神經元個數少，而在反向運算中，較少神經元的隱藏層又能夠近似復現原始可見層的輸入，因此，可以認為前向運算是對輸入訊號的編碼，特徵提取的過程，而反向運算是解碼的過程。

關於RBM的特點總結如下：

• 兩層，一個可見層，一個隱藏層
• 層間全連線，層內不連線
• 前向運算是編碼，反向運算是解碼
• 前向和反向使用同一組權重