Machine learning 为什么使用受限玻尔兹曼机器而不是多层感知器？

我试图理解受限玻尔兹曼机器（RBM）和前馈神经网络（NN）之间的区别。我知道RBM是一种生成模型，其思想是重构输入，而NN是一种判别模型，其思想是预测标签。但我不清楚的是，为什么不能将NN用于生成模型？特别是，我想到的是深层信念网络和多层感知机

假设我对NN的输入是一组称为x的注释，我对NN的输出是一组节点y。在一个判别模型中，我在训练期间的损失是y和我希望x产生的y值之间的差值（例如，类标签的基本真实概率）。但是，如果我只是让输出的节点数与输入的节点数相同，然后将损耗设置为x和y之间的差值，会怎么样？这样，网络将学会重构输入，就像在RBM中一样

那么，既然NN（或多层感知器）可以用这种方式来训练生成模型，为什么要用RBM（或深层信念网络）来代替呢？或者在这种情况下，它们会完全相同吗？

您可以完全按照您描述的方式将NN用于生成模型。这被称为an，它们可以很好地工作。事实上，这些往往是深层信念网络的基石

RBM是一种与前馈神经网络截然不同的模型。它们具有双向连接（向前和向后），具有概率/能量解释。您需要阅读详细信息才能理解

深度信念网络（DBN）就是一个多层神经网络。这可能是一个大型NN，其层由一种自动编码器组成，或由堆叠RBM组成。你需要特殊的方法、技巧和大量的数据来训练这些深度和大型网络。简单的反向传播会遇到这个问题。但如果你真的设法训练他们，他们可能会非常强大（编码“更高级别”的概念）

---

希望这有助于为您指明正确的方向。

谢谢。因此，在自动编码器与RBM的情况下，是否有任何直觉表明RBM似乎更有效？DBN中没有“通过时间的BP”这样的东西。BPTT用于循环网络，而不是“任何”深度网络architecture@Karnivaurus：我没有足够的经验（自动编码器vs RBM）来建议何时使用，对不起。@lejlot:谢谢，我的意思是“反向传播”。修好了。