引子

在求解神经网络权值过程中,有一个点是经常被人们遗忘的,神经网络的误差是收敛,也就是说渐渐的稳定到一个值里,这种过程类似于热力原理。符合一定的自然规律,是符合规律一个过程。如果把这个特性和神经网络结合,会产生什么效果呢?

Hopfield网络

对于求权值的方法,之前的神经网络大部分采用的都是误差方式。这种方式比较直观明了,但求解的过程没有那么的方便。1982年,Hopfield才用了能量函数,开创了一种新的神经网络的思路。
如果两个热力学系统中的每一个都与第三个热力学系统处于热平衡(温度相同),则它们彼此也必定处于热平衡.
根据热力学的原理,Hopfield总结了一类网络。
Hopfield网络:一类反馈动力学系统,从任意初始状态开始,网络经过有限次状态更新后,都将到达该稳定状态。
神经网络从被人忽悠到忽悠人(六)-数据分析网
从图中可以看到,所有状态的转移都会,转移到两个状态 010和111下,这两个状态我们称为稳定状态。
以前我们把样本拿过来训练,但在能量神经网络,样本的结果可以把它当作一种稳定状态,通过稳定状态,反向的来求出权重。
求权重的主要方法是内积法。
神经网络从被人忽悠到忽悠人(六)-数据分析网
这种以样本作为稳定结果的网络,就可以认为他有一定的记忆功能了。
例如:
稳定的结果有:
神经网络从被人忽悠到忽悠人(六)-数据分析网
如果你的输入出现:
神经网络从被人忽悠到忽悠人(六)-数据分析网
根据能量网络,他会自己恢复到稳定的状态,就是
神经网络从被人忽悠到忽悠人(六)-数据分析网
像这样能量网络具有恢复的功能,也就是能有记忆的特性了。

Boltzmann机

20世纪80年代,Ackley,Hinton等人受到了Hopfield的启发,以模拟退火思想为基础,提出了Boltzmann机。
将Boltzmann机视为一动力系统,可以证明能量函数的极小值对应系统的稳定平衡点,由于能量函数有界,当网络温度T以某种方式逐渐下降到某一特定值时,系统必趋于稳定状态。
逐渐的降温过程,系统会达到稳定的状态。Boltzmann机是学习过程中是机器学习很重要的一种方式,是深度学习里基础。

受限Boltzmann机

2006年,Hinton等人提出了一种深度信念网络(Deep Belief Nets),这个算法成为了其后至今深度学习算法的主要框架,也就是我们现在所说的深度学习。
当前RBM 为基本构成模块的 DBN 模型被认为是最有效的深度学习算法之一。
受限Boltzmann网络结构具有这样的特点:可视层的每一个神经元与隐藏层的每一个神经元相互连接;可视层神经元之间,隐藏层神经元之间没有连线,这为我们后面的训练提供了一个很好的假设性条件:同一层的各神经元之间是相互独立的。
受限Boltzmann网络,主要的推导方式用到了条件概率,Hinton提出的快速计算方法,即对比散度,也比较流行。
受限Boltzmann网络在应用上,基本上都是一种编码和解码的过程。编码过程就是利用已经知道得输入输出确定权重,解码就是放过来求值。
编码过程:
神经网络从被人忽悠到忽悠人(六)-数据分析网
解码过程:
神经网络从被人忽悠到忽悠人(六)-数据分析网

最后

人工智能,只是处在了很早的阶段,机器能够更好地理解这个世界,人们能够更多的跟机器互动,还需要一个比较长的过程。互联网的一个过程是:文本,图片,视频。现在的搜索引擎,只解决了文本的搜索,而这样过程除了计算机技术的发展,还有一个很重要的就是我们祖辈留下来的语言,又特定的词汇,能够表达万千的世界。人工智能的发展一个大的方向是图片的识别,如何让图片自己说话,是一个很了不起的过程。而如今的技术,仅仅只能够认出一只猫,但是这是很好的开端了。
神经网络的发展日新月异,人工智能是未来一个很重要的方向,我们紧跟时代的步伐。