受限玻尔兹曼机器：如何在机器学习中使用？

背景：

是的，可以使用受限玻尔兹曼机（RBM）来启动神经网络的权重。此外，它可以在一个“层-层”的方式被用于建立一个深信念网络（即，培养一个上的顶部第层（ñ - 1 ）个层，然后训练ñ + 1上的顶层第ñ个层，漂洗和重复...） $n$$(n-1)$$n+1$$n$。

关于如何使用RBM，可以从《受限玻尔兹曼机器》（RBM）的“ 良好”教程的线程中找到详细信息，在该 文章中可以找到一些论文和教程。

我的问题是：

• RBM是否真的用于工业项目或学术项目中
• 如果是，如何使用它以及在哪个项目上使用？
• 有没有流行的库（例如tensorflow，Caffe，Theono等）提供RBM模块？

感谢分享。我想知道成果管理制在实践中是否真的有用。

RBM是培训/学习深度网络的最早实用方法之一，它不仅具有一层或两层。我认为，深度信念网络是由杰弗里·欣顿提出的，我认为这是深度学习的“父亲”之一，尽管我认为，Yann LeCun是​​深度学习的另一个主要“父亲”，或者我就是这样看的。当然，一切都是Jurgen Schmidhuber几年前发明的：-)

因此，RBM之所以出名是因为1. 1.进行深度学习的第一种方法2. Geoffrey Hinton。

但是，在实践中，它们确实在学术研究中得到了使用，因为许多人试图找到一些独特的利基市场，他们可以成为专家，并且在某些RBM利基市场中成为全球专家是一个很好的选择。小众。但是，在实践中，虽然我不会声称它们从未使用过，但在工业中却很少出现。真的有这么多非常标准的技术可以真正快速而轻松地进行训练，例如逻辑回归和前馈卷积神经网络。对于无人监督，诸如GAN之类的东西目前真的很流行。

可以使用RBM来处理数据收集中出现的典型问题（例如可以用来训练机器学习模型）。这样的问题包括不平衡的数据集（在分类问题中）或缺少值的数据集（某些要素的值未知）。在第一种情况下，可以使用少数类的数据来训练RBM，并使用它来生成该类的示例，而在第二种情况下，可以分别为每个类训练RBM并发现未知特征值。

RBM的另一个典型应用是协作过滤（http://dl.acm.org/citation.cfm?id=1273596）。

就流行的图书馆而言，我认为deeplearning4j是一个很好的例子（http://deeplearning4j.org）。