Python sklearn BernoulliRBM用法及代碼示例

本文簡要介紹python語言中 sklearn.neural_network.BernoulliRBM 的用法。

用法:

class sklearn.neural_network.BernoulliRBM(n_components=256, *, learning_rate=0.1, batch_size=10, n_iter=10, verbose=0, random_state=None)

伯努利受限玻爾茲曼機 (RBM)。

具有二進製可見單元和二進製隱藏單元的受限玻爾茲曼機。使用隨機最大似然 (SML) 估計參數，也稱為持續對比散度 (PCD) [2]。

此實現的時間複雜度為O(d ** 2)，假設 d ~ n_features ~ n_components。

在用戶指南中閱讀更多信息。

參數：

n_components：整數，默認=256

二元隱藏單元的數量。

learning_rate：浮點數，默認=0.1

權重更新的學習率。強烈建議調整該超參數。合理的值在 10**[0., -3.] 範圍內。

batch_size：整數，默認=10

每個小批量的示例數。

n_iter：整數，默認=10

訓練期間要在訓練數據集上執行的迭代/掃描次數。

verbose：整數，默認=0

詳細程度。默認值為零，表示靜音模式。值的範圍是 [0, inf]。

random_state：int、RandomState 實例或無，默認=無

確定隨機數生成：

• Gibbs 從可見層和隱藏層采樣。
• 初始化組件，在擬合期間從層中采樣。
• 對樣本進行評分時損壞數據。

傳遞 int 以獲得跨多個函數調用的可重現結果。請參閱詞匯表。

屬性：

intercept_hidden_：形狀類似數組 (n_components,)

隱藏單元的偏差。

intercept_visible_：形狀類似數組 (n_features,)

可見單位的偏差。

components_：形狀類似數組 (n_components, n_features)

權重矩陣，其中n_features是可見單元的數量，n_components是隱藏單元的數量。

h_samples_：形狀類似數組 (batch_size, n_components)

從模型分布中采樣的隱藏激活，其中batch_size 是每個小批量的示例數，n_components 是隱藏單元的數量。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

參考：

[1] Hinton, G. E.、Osindero, S. 和 Teh, Y. 一種快速學習算法

深信網。神經計算 18，第 1527-1554 頁。https://www.cs.toronto.edu/~hinton/absps/fastnc.pdf

[2] Tieleman, T. 訓練受限玻爾茲曼機使用

似然梯度的近似值。機器學習國際會議 (ICML) 2008

例子：

>>> import numpy as np
>>> from sklearn.neural_network import BernoulliRBM
>>> X = np.array([[0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1]])
>>> model = BernoulliRBM(n_components=2)
>>> model.fit(X)
BernoulliRBM(n_components=2)