前几天我把受限玻尔兹曼机给讲完了，这次我接着讲一下它的进阶理论，还是那句话，全是白话文，你们肯定能听懂
深度信念网络，它的英文名叫作Deep Belief Network，先解释一下这个名词：
Deep意思是深度，大家应该有听过深度学习吧，深度学习是一个叫做Hinton的大学霸发明的，这个大学霸，大神很牛，他的官网是：http://www.cs.toronto.edu/~hinton/ 在这上面有很多他的创意，并且已经编写出各种语言的程序，我们可以直接使用。但是呢我们不能总直接拿来用，不知道原理对吧。所以我才开了今天的课程。那么回到话题上来，什么事深度学习呢，你想像，你现在有了点智商，学会了1+1=2，2+1=3，这就叫学习。现在老师问你1+2=?，你现在知道1+1和2+1，但是没有学过1+2，所以你答不上来，只能靠分析推断来解答这问题（说白了就是根据经验瞎猜）。然后你坐在轮椅上，脚一离地，唉~，想明白一件事儿，1+1=2？那么把两个1调过来看 还是1+1=2，那么2+1=3，把2和1调过来变成了1+2，那基本上就和1+1一样，它的结果1+2=3。这时候你的老师会握着你的手说：“恭喜你回答正确！”，这个解答1+2的过程就叫做深度学习，那么Deep理解了吧，就是学习1+2的意思。
Belief是信念的意思，这个信念其实说的就是概率，概率越大，说明你的答案越准确，比如你回答1+2=？时候，你会想出1+2=1，1+2=2，1+2=3，1+2=4好多答案，但经过刚才上面的分析，你觉得1+2=3是对的，所以它在你的脑袋里认为是对的概率很大，所以到最后你会选择概率大的那个答案。
Network是网络的意思，网络可不是互联网呀，这里的网络是神经网络，神经网络是啥意思，说白了就是各个神经元之间传递，用图1是最能说明问题的了。
图1
图1就是一个神经网络，下面是输入层，我们通过线性非线性的计算，然后求出上面的神经元的值，例如，你们看神经元之间都是单项箭头连接，这表示值是从下到上传递的。比如OUT1这个输出的神经元，它的计算公式为 OUT1=IN1*w11+IN2*w21+IN3*w31+IN4*w41+b1，其他的也是这么算，下面四个神经元乘以权值w，然后相加，最后把b加上就OK。刚才计算的过程就叫做神经网络，也就是这里的网络的意思。
合到一块，深度信念网络就是指能够通过概率大小学习的神经网络。
于是我们就得说一下怎么算的环节了，算法很简单，就是把RBM堆叠在一块，然后形成一大串连接的RBM，最后在顶端加入一个输出层，这就完事儿了，如图2所示就能看懂它的流程了。
图2
这个图是怎么运行的呢，我来说一下，很简单，就是把原始数据输入到最下面的RBM可视层中，然后训练RBM1，训练完成之后把RBM1的隐含层作为RBM2的可视层，继续训练RBM2，接下来把RBM2的隐含层做为RBM3的可视层，直到训练完成为止。训练的方法参考我的文章：http://blog.****.net/u013631121/article/details/76652647
RBM的最后一隐含层层与输出层连接，计算方法就是OUT1=f(IN1*w11+IN2*w21+IN3*w31+IN4*w41+b1)，f(x)这里为一个函数，就是把里面的东西算完之后，里面的当作是X，如果f(x)=x^2，那么结果就是x^2，计算完了就结束了。
然后干啥，做反向传播，传播的方法很简单，首先是通过一个目标函数，一般为均方差函数，算出一个值E，然后用这个E乘以该层计算输出层时候公式的导数，比如是更新权值w11，那么就计算该层第一个神经元的计算方法，若计算方法是OUT1=f(N1*w11+IN2*w21+IN3*w31+IN4*w41+b1)，那么导数就是IN1*f'(x)。求完这个导数之后乘上E1，再把这个导数乘上一个系数alpha，叫做学习速率，然后呢，加到w11之中。同理把wij所有的都算完，算完之后计算偏置量b1的导数，这个导数就是f'(x)，完事儿乘上学习速率加到b1上面，同理把bj都给算完。我们算完之后，得到了w和b，但还有一个隐藏的东西，就是导数乘以学习速率我们叫做梯度下降值，写作▽w，▽b，这个东西我们作为跟上一层的E一样的东西，然后依次的往下算，直到最后一层的权值w和偏置量b全都更新完成为止
更新完事儿了，我们就要重新正向的算一遍，然后求E，然后再反向传播，直到E变得很小很小为止。
至此模型就建立完成了，完成之后，我们拿它带入新的数据，直接做预测分类等分析就好啦。我的故事讲完了谢谢大家