深度学习算法:CD算法(Contrastive Divergence)
2017-01-23 16:05
274 查看
From: http://blog.csdn.net/qian2729/article/details/50542764
尽管利用Gibbs采样,我们可以得到对数似然函数关于未知参数梯度的近似,但是通常情况下,需要使用较大的采样步数,这使得RBM的训练效率仍然不高,尤其当观测数据的特征维数较高时。2002年Hinton提出了RBM的一个快速学习算法,对比散度算法(Contrastive Divergence)。与Gibbs采样不同,Hinton指出,当使用训练数据初始化v0时,我们仅需要使用k(通常k=1)步Gibbs采样就可以得到足够好的近似。在CD算法一开始,可见单元的状态被设置成一个训练样本,并利用以下公式计算隐藏层单元的二值状态,在所有隐藏单元状态确定了之后,根据下面公式2来确定每个可见单元取值为1的概率。进而得到可见层的一个重构。然后将重构的可见层作为真实的模型带入RBM的Δ中,就可以进行梯度下降算法了。
p(hi=1|v)=sigmoid(ci+Wiv)
p(vj=1|h)=sigmoid(bj+W′jh)RBM基于CD的快速学习算法主要步骤如下#输入:一个训练样本x0;隐藏层单元个数m,学习速率alpha,最大训练周期T#输出:链接权重矩阵W,可见层的偏置向量a
,隐藏层的偏置向量b#训练阶段:初始化可见层单元的状态为v1 = x0;W,a,b为随机的较小的数值
for t = 1:T for j = 1:m #对所有隐藏单元
P(h1j=1|v1)=sigmoid(bj + sum_i(v1i * Wij));
for i = 1:n#对于所有可见单元
p(v2i=1|h1)=sigmoid(ai + sum_j(Wij * h1j)
for j = 1:m #对所有隐藏单元
P(h2j=1|v2)=sigmoid(bj+sum_j(v2i*Wij))
W = W + alpha * (P(h1=1|v1)*v1 - P(h2=1|v2)*v2)
a = a + alpha * (v1 - v2)
b = b + alpha*(P(h1=1|v1) - P(h2=1|v2))
Code:http://blog.csdn.net/liugan5371375/article/details/51279490
尽管利用Gibbs采样,我们可以得到对数似然函数关于未知参数梯度的近似,但是通常情况下,需要使用较大的采样步数,这使得RBM的训练效率仍然不高,尤其当观测数据的特征维数较高时。2002年Hinton提出了RBM的一个快速学习算法,对比散度算法(Contrastive Divergence)。与Gibbs采样不同,Hinton指出,当使用训练数据初始化v0时,我们仅需要使用k(通常k=1)步Gibbs采样就可以得到足够好的近似。在CD算法一开始,可见单元的状态被设置成一个训练样本,并利用以下公式计算隐藏层单元的二值状态,在所有隐藏单元状态确定了之后,根据下面公式2来确定每个可见单元取值为1的概率。进而得到可见层的一个重构。然后将重构的可见层作为真实的模型带入RBM的Δ中,就可以进行梯度下降算法了。
p(hi=1|v)=sigmoid(ci+Wiv)
p(vj=1|h)=sigmoid(bj+W′jh)RBM基于CD的快速学习算法主要步骤如下#输入:一个训练样本x0;隐藏层单元个数m,学习速率alpha,最大训练周期T#输出:链接权重矩阵W,可见层的偏置向量a
,隐藏层的偏置向量b#训练阶段:初始化可见层单元的状态为v1 = x0;W,a,b为随机的较小的数值
for t = 1:T for j = 1:m #对所有隐藏单元
P(h1j=1|v1)=sigmoid(bj + sum_i(v1i * Wij));
for i = 1:n#对于所有可见单元
p(v2i=1|h1)=sigmoid(ai + sum_j(Wij * h1j)
for j = 1:m #对所有隐藏单元
P(h2j=1|v2)=sigmoid(bj+sum_j(v2i*Wij))
W = W + alpha * (P(h1=1|v1)*v1 - P(h2=1|v2)*v2)
a = a + alpha * (v1 - v2)
b = b + alpha*(P(h1=1|v1) - P(h2=1|v2))
Code:http://blog.csdn.net/liugan5371375/article/details/51279490
相关文章推荐
- ASP.NET MVC4入门教程(四):添加一个模型
- ASP.NET MVC4入门教程(五):从控制器访问数据模型
- JavaScript对象模型-执行模型
- C++中事件机制的简洁实现及需要放弃的特性
- 第二节 对象模型 [2]
- 浅析ASP.NET路由模型工作原理
- ASP.NET中实现Form表单字段值自动填充到操作模型中
- Java线程模型缺陷
- thinkPHP模型初始化实例分析
- 浅谈生产者消费者模型(Linux系统下的两种实现方法)
- Yii模型操作之criteria查找数据库的方法
- Android编程中关于单线程模型的理解与分析
- Yii中Model(模型)的创建及使用方法
- ThinkPHP实例化模型的四种方法概述
- thinkphp利用模型通用数据编辑添加和删除的实例代码
- ThinkPHP实现非标准名称数据表快速创建模型的方法
- CI(CodeIgniter)模型用法实例分析
- ThinkPHP模型详解
- Laravel 5框架学习之模型、控制器、视图基础流程
- AngularJS入门教程之AngularJS模型