RBM（Restricted Boltzman Machine，受限玻尔兹曼机）是深度学习的基础，虽然原理比较简单，但实际训练中用到了很多trick，在参考文献中，Hinton为我们披露了几个训练的细节。
第一，输入为实值向量：
当RBM的输入v是实值向量时，计算隐含层输出h的公式与二值向量是一致的，即 p(h=1|v) = sigm(b+v*w) ，注意，这个公式给出的是h=1的概率，我们真正得到的隐含层输出并不是这个概率，而是二值向量h本身，所以需要对这个概率做二值化处理，h = p(h=1|v) > randn(h)。
在得到了第一轮的隐含层输出h之后，需要重构第二轮的输入v'，因为v'是实值向量，因此这里采用的计算公式是 v' = N(c+h*w') ，注意，这里得到的不再是p(v‘=1|h)，而是直接计算v'，因为输入变量是实值向量，不需要二值化处理。
最后，我们要计算第二轮的隐含层输出h'，所用公式为 p(h'=1|v') = sigm(b+v'*w)，同上，这里我们仍然需要做二值化处理，得到真正的h'。
以上是理论上的计算过程，但是在真实计算中，Hinton做了细节的处理，主要表现在：1. h是二值化的，2. v'和h'都是实值的。对于第一点，Hinton的解释是为了防止过拟合，对于第二点，Hinton的解释是为了减少噪声；
第二，输入为二值向量：
根据上面的分析很容易得到，仅列出公式， p(h=1|v) = sigm(b+v*w)，p(v'=1|h) = sigm(c+h*w')，p(h'=1|v') = sigm(b+v'*w)。
同样，为了防止过拟合、减少噪声，h是二值化的，而v'和h'都是实值的。
第三，关于输出：
RBM的输出都是二值化的向量，并且前一层的输出即是后一层的输入。
参考文献：
Krizhevsky A, Hinton G E. Using very deep autoencoders for content-based image retrieval[C]//ESANN. 2011.