Machine learning 实值数据的受限玻尔兹曼机-高斯线性单位（glu）-

我希望我的受限Boltzmann机器学习实值数据的新表示形式（请参阅）。我正在努力实现高斯线性单位

在可见层中使用高斯线性单位时，能量变化为

E（v，h）=∑ （v-a）²/2σ-∑ bh-∑v/σh w

。现在我不知道如何改变对比发散学习算法。可见单位将不再采样，因为它们是线性的。我使用期望值（平均活化）

p（v_I=1 | h）=a+∑hw+N（0,1）

作为其状态。关联保持不变（位置：

data*p（h=1 | v）

neg:

p（v=1 | h）*p（h=1 | v）

）。但这只会在我想要重建数据时导致随机噪声。错误率将在50%左右停止改善

---

最后，我想在两层中使用高斯线性单位。我怎样才能得到隐藏单位的状态呢？我建议使用平均场激活

p（h_I=1 | v）=b+∑vw+N（0,1）

但我不确定

你可以看看Hinton自己提供的高斯RBM 请在这里找到。

---

< P>我一直在使用C++和Matlab MySuffic实现RBM。 我从Hinton教授（在matlab中）的实现中发现，可见单元的二进制激活使用simoid函数。 ie:vs=sigmoid（bsxfun（@plus，hs*obj.W2'，obj.b））； 但是，在实现高斯可见单位RBM时，您只需在不使用simoid的情况下对可见单位进行采样。 ie:vs=bsxfun（@plus，h0*obj.W2'，obj.b）；

---

或者最好看看Hinton教授的实现（请参阅：）

注意，这些都是不鼓励的，因此答案应该是搜索解决方案的终点（而不是参考文献的另一个中途停留，随着时间的推移，这些参考文献往往会变得陈旧）。请考虑在这里添加一个独立的概要，将链接作为参考。这与OP想要的略有不同——隐藏层是线性高斯，可见层是伯努利，西格玛没有学习。