我正在尝试实施自己的RBM，但是我不确定如何正确地100％衡量其成功。所以我开始谷歌搜索，发现了很多解释，但我不确定什么是正确的。
我正面临这个问题：
我有数据集Z，所以我可以将其分为训练集X和测试集Y。我在X上训练RBM，然后我想在数据集Y上衡量RBM的成功率。更准确地说，我有两个RBM和I想以某种方式比较它们。我不确定重构输入向量是否是好的度量。或者，如果我应该比较RBM的能量。 （以及如何正确计算整个集合Y的能量）。
如果可能的话，我也会对高斯可见单位和全高斯单位感兴趣。
最佳答案
RBM是一种无监督的学习范例，因此很难访问一个人是否比另一个人更好。
尽管如此，它们通常用作对DBN之类的最新，更令人兴奋的网络的预训练。因此，我的建议是要训练要比较的RBM（无监督学习），然后将它们带到前馈层进行学习（有监督学习）。现在，您可以从此处通过测量网络预测数据类别的能力来获得RBM的优势。
例如，让我们有2个RBM（A和B）：
您将A赋予前馈层（反向传播训练），然后
测试数据的准确性为80％；
您将B赋予前馈层（反向传播训练），然后
测试数据的准确性达到90％；
因此，B比A具有更好的RBM，因为它提供了更好的功能，从而导致了更好的训练和更高的样本外结果。注意：随着网络准确性的变化，请确保您执行了几次有监督的训练，并在最后平均它们，以使您的比较稳健。
编辑：
关于非监督评估，任务并不那么简单。正如Tijmen Tieleman在“使用似然梯度的近似训练受限玻尔兹曼机器”中提出的：
评估之一是学习的RBM对测试进行建模的能力如何
数据，即对数可能性。对于常规尺寸的RBM，这是很难解决的，
因为该计算的时间复杂度在
最小层的大小（可见或隐藏）
但是，如果您的RBM足够小，这是一种可行的方法。否则，您可以等待...
关于machine-learning - 测量受限玻尔兹曼机的成功，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/26891851/