我正在浏览网页好几天，寻找我的问题的答案，但我不能很好地理解这个主题，以便能够解释我找到的书。
这是我现在所理解的：
我想我受过监督学习。您有（x，y）对的数据集。你制作一个模型，向它提供x，退役，然后根据你的模型拍摄的距离尽量减少一些成本函数。
RBM通常用于无监督学习，因为你只有（x）值。因此，您无法创建最小化的成本函数。相反，你定义一个能量函数，它取决于神经元的激活和它们之间的权重。当你获得最小的能量时，你训练了模型。
但最后一个想法告诉我能量，因此modell的优化结构仅取决于体系结构，并且与输入数据无关。因此，只有通过设置输入和隐藏神经元的数量，您才能预先定义网络的权重和偏差。
它真的如此吗？ RBM的培训是否独立于我们想要应用它的数据集？
答案 0 :(得分：0)
你忽略了无监督学习的重点。
RBM通常用于无监督学习，因为你只有（x）值。因此，您无法创建最小化的成本函数。
这很简单，您可以定义许多有效的成本函数，它们根本不依赖于标签（因为没有标签）。但是考虑一下例如kmeans模型，你在输入空间中定位K点，这里的成本是你的Xs与这些K的闭合点之间的距离之和。
相反，你定义一个能量函数，它取决于神经元的激活和它们之间的权重。当你获得最小的能量时，你训练了模型。
基于能量的推理只是众多可能性中的一种。特别是，这对RBM有意义。
但最后一个想法告诉我能量，因此modell的优化结构仅取决于体系结构，并且与输入数据无关。
这是错误的，因为激活 是数据的功能。没有处理数据，您没有网络激活。根据这样的推理，有监督的学习也将独立于输入数据＆＃34;因为你的网络为给定的x产生的是也是激活（输出层的）。
因此，只有通过设置输入和隐藏神经元的数量，才能预先定义网络的权重和偏差。
不，这完全没有意义。它最多定义了RBM中的参数数量，而不是实际值。
它真的如此吗？ RBM的培训是否独立于我们想要应用它的数据集？
由于上述答案 - 没有。 RBM训练修改权重以最小化能量，能量被定义为权重和激活（另一方面，数据依赖元素）的函数。