[問題] 機器學習RBM模型中的 能量函數解釋

[loser113 (洨大魯蛇ㄍ)]

參考對岸之乎介紹

https://zhuanlan.zhihu.com/p/40120848



模型概念圖
https://pic3.zhimg.com/80/v2-b81b786ae6eb1bbaa1c04c7b3963e8ea_1440w.jpg

目前在學RBM裡面用了一個能量函數 ( nergy function)

https://pic1.zhimg.com/80/v2-8f783076cd101380913929745026c7e0_1440w.jpg

利用物理概念但是 還是不太懂設置這函數的用意

目前已獲得的訊息是能量越低越穩定

機器學習模型追求是準確度

裡面演算法運算 是找到某個參數最大概似函數最大值 (這邊數學部分就不多做解釋)

使得聯合函數最大

https://pic2.zhimg.com/80/v2-e0db53e5ff23cd01b8a8f11f965fb0e9_1440w.jpg

其中
https://pic3.zhimg.com/80/v2-148857ea03b7564bbf5bc500df86568a_1440w.jpg

理論上是每個P都相等機率相乘會最大 那不太懂這邊追求每個P相近

用物理怎麼解釋節點(每組V到模型的差異相近?)

或者更直接一點 怎麼解釋追求 每個P相近 對於模型準確度有甚麼關係



--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 27.242.67.62 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Physics/M.1587264606.A.16C.html
→ CY2018: 網站點進去很黑所以沒看，印象中在某篇算多體系統的paper
→ CY2018: 中這裡的P是拿來做Monte Carlo sampling，sample 出很多
→ CY2018: 個system configuration後，用這些basis算出一個ground st
→ CY2018: ate energy，再得出要最小化ground state energy的weight
→ CY2018:  gradient，得出下一組RBM參數，再做一樣的事，直到最後會
→ CY2018: 收斂到一組參數使得ground state energy最小。
→ CY2018: 所以看你的目標函數是什麼，RBM主要作用在產生sample的機
→ CY2018: 率那邊，每次更新參數後機率分佈會有些改變，最後收斂到會
→ CY2018: 算出你目標函數極值的參數，大概是這樣。
推 NTUmaki: 感覺跟統計熱力有點像