您对未标记数据的看法是正确的。RBM 是生成模型，最常用作无监督学习器。

当用于构建深度信念网络时，最典型的过程是简单地一次训练每个新的 RBM，因为它们相互堆叠。所以对比分歧并没有像我认为你的意思那样上下波动。它一次只使用一个 RBM，使用前一个最顶层 RBM 的隐藏层作为新最顶层 RBM 的输入。毕竟，您可以将 RBM 权重堆栈视为标准前馈神经网络的初始权重，并使用您的标记数据和反向传播进行训练，或者做一些更奇特的事情，例如使用唤醒睡眠算法。请注意，直到最后一步，我们还没有使用任何标记数据，这是这些类型模型的好处之一。

另一方面，您可以通过多种方式使用 RBM 进行分类。

• 训练一个 RBM 或一堆 RBM。使用最顶层的隐藏层作为其他监督学习器的输入。
• 为每个类训练一个 RBM，并将未归一化的能量用作判别分类器的输入。
• 将 RBM 训练为 P(X, Y) 的联合密度模型。然后给定一些输入 x，只需选择最小化能量函数的类 y（归一化在这里不是问题，就像上面一样，因为常数 Z 对于所有类都是相同的）。
• 训练有区别的 RBM

我强烈建议您阅读 Geoff Hinton 的技术报告A Practical Guide to Training Restricted Boltzmann Machines。它更详细地讨论了其中几个问题，提供了宝贵的技巧，引用了许多相关论文，并可能有助于消除您可能遇到的任何其他困惑。

请看一下实现，http://code.google.com/p/matrbm/。它有一个分类人民币拟合功能值得考虑。如果您找到更好的 DBN 和 RMB 用于分类和回归的实现，也请告诉我。

我认为可以测试受限玻尔兹曼机 (RBM) 等神经网络的一种方法是将它们应用于新的数据集，或者更常见的是总数据集的子集，并查看它们的性能。您还可以使用交叉验证来测试模型。我使用了一个流行的开源机器学习 (ML) 软件工具包，该工具包易于安装和使用，它允许您使用模型的一些回归统计数据（http://www. cs.waikato.ac.nz/ml/weka/）。这可能会给你一个快速的分析，除了运行程序的基础知识之外，没有太多的干预，尽管如果很难格式化你的数据，这可能不值得（尽管你通常可以谷歌“csv to arff convert online”例如一步格式化）。